Classification grossiÃ¨re par radiomÃ©trie et texture - UniversitÃ© Jean ...

Classification grossière par radiométrie et texture 

Stage au laboratoire MATIS – IGN 

Sigrid GIFFON 

Université Jean Monnet 

Ecole Nationale d’Ingénieurs – Saint Etienne 

Rapport de Stage 

DESS SIG et Gestion de l’Espace 

Classification grossière par radiométrie 

et texture 

en zones agricoles, au Sud de Troyes et de Toulouse 

Laboratoire MATIS – IGN 

(Méthodes d'Analyses et de Traitement d'Images pour la Stéréo-restitution) 

Mars-Juillet 2004 

Dirigé par 

Roger TRIAS SANZ (IGN) 

Thierry JOLIVEAU (Université de Saint Etienne) 

DESS SIG – Université de Saint Etienne 

Sigrid GIFFON Promotion 2003-2004 1



Remerciements 

Je tiens à remercier toutes les personnes qui m’ont apporté de l’aide pour 

ce stage : 

Tout d’abord, Roger TRIAS SANZ, mon tuteur, pour m’avoir permis de 

faire ce stage, pour m’avoir aidée méthodologiquement tout au long du 

stage, pour sa présence, pour ses explications techniques, pour sa 

disponibilité et pour m’avoir laissée assez libre dans l’élaboration de mon 

stage. 

Le personnel scientifique, technique et administratif du laboratoire MATIS, 

surtout Dider BOLDO, chef du laboratoire, et particulièrement les 

personnes travaillant au bureau 217 du bâtiment M, Gilles MARTINOTY et 

Olivier TOURNAIRE, pour leurs aides et conseils de tout ordre, sans 

oublier François BOYERO. 

Jean Philippe SOUCHON, du laboratoire LOEMI, pour sa disponibilité lors 

de sa présentation des caméras argentiques et numériques de l’IGN. 

Thierry JOLIVEAU pour ses conseils dans les temps difficiles du début. 

David LANDGREBE et Larry BIEHL, développeurs du logiciel MultiSpec, 

qui n’ont pas hésité à répondre à mes questions d’utilisatrice de ce 

logiciel. 

Une pensée toute particulière à mes parents et à Benjamin. 





« Il faut rappeler aux nations croissantes 

qu'il n'y a point d'arbre dans la nature qui, 

placé dans les meilleurs conditions de lumière, 

de sol et de terrain, puisse grandir et 

s'élargir indéfiniment » 

Paul Valéry, 

Regards sur le monde actuel. 





Liste des abréviations 

ACP : 

BD : 

CCD 

CP : 

DESS : 

DGI : 

ENSG : 

IGN : 

MATIS : 

MNE : 

MNT : 

MORIS : 

Ndg : 

PIR : 

RGE : 

RVB : 

SAU : 

SIG : 

STH : 

Analyse en Composantes Principales 

Base de Données 

Charge-Coupled Device (Dispositif à Couplage de Charge) 

Composante(s) Principale(s) 

Diplôme d’Etude Supérieur Spécialisé 

Direction Générale des Impôts 

Ecole Nationale des Sciences Géographiques 

Institut Géographique National 

Méthodes d’Analyse et de Traitement d’Images pour la Stéréorestitution 

Modèle Numérique d’élévation 

Modèle Numérique de Terrain 

MOdélisation Radiométrique des Images 

Niveaux de gris 

Proche InfraRouge 

Référentiel à Grande Echelle 

Rouge, Vert, Bleu 

Surfaces Agricoles Utiles 

Système d’Information Géographique 

Surfaces Toujours en Herbe 

Dans ce rapport, les mots en italique 

sont définis dans un glossaire en p 170. 





Résumé 

L'IGN a pour mission la production et la mise à jour de la documentation et de 

l'information géographique institutionnelle (élaboration du Référentiel à Grande échelle ; cartes 

topographiques ; géodésie et nivellement ; réseau de photographies aériennes du territoire national 

à des fins géographiques ; ...). 

Les orthophotographies aériennes conçues, traitées et produites à l’IGN sont à la base de 

nombreux travaux et recherches, présent et futurs de l’Institut Géographique National qu’il 

s’agisse : 

- des cartes topographiques au 1/25 000 ème et au 1/50 000 ème , 

- de la BD Ortho. La production et la mise à jour de la BD Ortho fait partie des 4 points 

fondamentaux du RGE. 

La classification des photographies numériques orthorectifiées peut, dans un futur plus ou 

moins proche, servir en cartographie des zones végétales, établies dans la nomenclature IGN. Ce 

rapport de stage s’inscrit dans la reconstitution automatique ou semi-automatique de la couche 

« végétation » des cartes topographiques. Cette couche correspond aux Bois et forêts, aux 

Broussailles, aux Vergers et plantations, aux Vignes, … représentés par des trames de couleur 

verte sur les cartes IGN au 1/25 000 ème , Série Bleue, et aux zones agricoles, représentée par la 

trame blanche. 

A l’aide de trois séries de données photographiques en région rurale (1. près de Troyes ; 2a. 

près de Toulouse, avant correction radiométrique ; 2b. la même scène, après correction 

radiométrique), le but de ce stage est de détecter les zones végétales de ces 3 scènes, en faisant 

des classifications dirigées. Ces classifications sont faites suivant un algorithme optimal 

(vraisemblance gaussienne maximum ou vraisemblance quadratique), d'après des parcelles 

d'entraînement et des parcelles test, délimitées sous GéoConcept. 

Grâce aux bandes spectrales des caméras de prise de vue IGN, allant du bleu au rouge pour 

les caméras argentiques et du bleu au proche infrarouge pour les caméras numériques, de nouveaux 

canaux sont calculés au laboratoire MATIS de l’IGN (Méthode d’Analyse et de Traitement 

d’Image pour la Stéréorestitution). Ces nouveaux canaux sont essentiellement des canaux de 

couleur (canaux calculés dans un espace de couleur dérivé) ou des canaux de texture. 

Parmi ces nouveaux canaux, il faut essayer de déterminer les plus discriminants pour les 

classifications, en faisant intervenir : 

- des traitements statistiques (histogrammes de fréquence à une, deux ou trois 

dimensions ; Analyse en Composantes Principales), 

- des classifications sur un canal, effectuées à l'aide d'un logiciel gratuit, MultiSpec. 

Les meilleures combinaisons des canaux permettent les meilleures classifications, donc, la 

meilleure cartographie. La qualité des classification peut être évaluée à l’aide d’indices de qualité 

(précision totale et précision globale) et de matrices de confusion. 

L’objectif de ce rapport de stage est donc de mettre en évidence l'intérêt de ces nouveaux 

canaux pour les classifications, par rapport au canaux radiométriques rouge, vert, bleu classiques, 

mais aussi l'intérêt du canal proche infrarouge et l’intérêt des caméras numériques sur les caméras 

argentiques. 

Mots clé : Institut Géographique National, Orthophotographies, Classifications dirigées, 

Traitement d'image, Radiométrie, Texture. 





Tableau Récapitulatif : 

Qualité des classifications 

(% de pixels bien classés) 

Troyes 

Toulouse corrigé 

Toulouse non 

corrigé 

Parcelles 

d’entraîne 

ment 

Parcelles 

test 

Parcelles 

d’entraîne 

ment 

Parcelles 

test 

Parcelles 

d’entraîne 

ment 

Parcelles 

test 

RVB 83,5% 75,2% 74,5% 77,7% 76% 74% 

RVB PIR - - 81,7% 87% 86,8% 86,4% 

Nouveaux 

Canaux 

(texture et 

couleur) 

86,4% 81,6% 88,9% 85,1% 88,7% 86,7% 





1 ère partie : Introduction 

Problématique, contexte, objectifs 

Etudiante au DESS SIG et Gestion de l’Espace de l’université Jean Monnet 

de Saint Etienne, promotion 2003-2004, je présente dans ce rapport mes travaux 

réalisés pendant cinq mois de stage au laboratoire MATIS (Méthodes d’Analyse et 

de Traitement d’Image pour la Stéréorestitution) de l’IGN, basé sur le site de 

Saint Mandé (94). 

I. Problématique 

Le but de ce stage est de cartographier l’occupation du sol de régions 

agricoles et non agricoles, en s’intéressant particulièrement à la problématique 

végétale. Pour ce faire, la télédétection est utilisée en effectuant des 

classifications dirigées grossières pixel à pixel, de photographies IGN 

orthorectifiées à haute résolution spatiale (50 cm à 2 mètres). Ces 

orthophotographies se trouvent en milieu rural, près de Troyes et Toulouse. A 

cette fin, j’utilise des canaux de radiométrie de base : bleu, vert, rouge (et le 

proche infrarouge pour les images de Toulouse). Il ne s’agit donc pas de faire une 

cartographie détaillée (ou fine) par distinction de types de cultures par exemple, 

mais de déterminer des grands types de régions. 

La problématique et le contexte du sujet de stage déterminent le nombre et 

la nature des classes à cartographier. Me basant sur les trames des cartes IGN 

au 1/25 000 ème (figure 1), les classes retenues se découpent en 4 

groupes (tableau 1) : les classes végétales et non végétales, les classes agricoles 

et non agricoles. Cependant, certaines classes présentes sur les trames IGN 

n’existent pas sur les images à traiter : il n’est donc pas utile de les prendre en 





compte dans les classifications (le sable sec, la végétation aquatique). De plus, la 

distinction entre bois de feuillus et bois de conifères n’est pas faite car : 

- ils ne sont pas distingués à Muret (figure 1a, trames correspondant à la carte 

où se situe la série d’images intitulée Toulouse), 

- il n’y a que des bois de feuillus sur la série d’images de Troyes, d’après la 

carte topographique. 

Les différences de trames et les différences de teintes (les verts ne sont pas 

tout à fait les mêmes), présentées par la figure 1a et 1b, s’expliquent car il ne 

s’agit pas de la même série d’impression (les cartes de Toulouse, figure 1a, sont 

d’une série plus récente que les cartes de Troyes, figure 1b), même s’il s’agit de la 

série Bleue IGN dans les deux cas. 

a. 

b. 

Figure 1 : Extrait de la légende d’une carte IGN Série Bleue au 1/25 000 ème 

a. Trames de la carte n° 2044E, Muret, 1993-1999 

b. Trames de la carte n° 2817O, Troyes, 1954-1994. 

Tableau 1 : Nomenclature des classes retenues pour les images de Troyes et de 

Toulouse 

Classes végétales 

Classes non végétales 

Classes agricoles 

Classes non agricoles 

Champs et prairies 

Vergers 

Vignes 

Broussailles, 

Bois et forêts 

Haies 

Autre végétation (clairière) 

Terres arables 

Bitume 

Bâti 

Eau 

Sable humide 

Carrières 

Sols nus 

En gras, les classes qui intéressent la problématique de ce stage. Les autres classes sont 

tout de même retenues et seront recherchées par la classification pour ne pas qu’elle soit 

biaisée. 





En tout, 14 classes seront à distinguer. Elles ne sont pas les mêmes pour 

les deux séries d’images : 7 classes sont retenues pour Troyes, 12 classes sont 

retenues pour Toulouse. 

Les classes agricoles correspondent assez précisément à la Surface 

Agricole Utile (SAU) ; elles comprennent à la fois : 

- des zones cultivées (des zones en activité chlorophyllienne : prairies, champs 

céréaliers, vignes, vergers), 

- des zones non cultivées (terres arables) ; 

Les classes non agricoles comprennent : 

- des zones minérales (bitume, bâti, sable) 

- des zones en eau (lacs, rivières) 

- des zones végétales (bois, broussailles, haies, clairières) 

L’utilisation de canaux texturaux et de nouveaux canaux de couleur, en 

plus des canaux de radiométrie classiques, va aider à faire cette cartographie. Il 

faudra au préalable sélectionner les meilleurs canaux pour faire les meilleures 

classifications. 

Pour ce faire, j’ai à ma disposition l’ensemble des données présentes au 

laboratoire MATIS, à savoir : 

- des orthophotographies aériennes IGN ; 

- un programme permettant de visualiser les histogrammes de distribution des 

soixante canaux, en 3 dimensions ; 

- l’ensemble de la documentation et des connaissances se trouvant dans les 

locaux du laboratoire, … 

Je souhaite aussi voir si les classifications faites à l’aide de caméras 

numériques IGN, possédant les canaux RVB et PIR (images de Toulouse), sont 

améliorées par rapport aux caméras argentiques IGN (images de Troyes), 

possédant seuls les canaux RVB, et permettent ainsi une meilleure cartographie. 





Ce rapport s’articule en 3 parties : 

1) après avoir dressé le contexte du stage, la méthode choisie pour faire des 

classifications sera explicitée, 

2) puis des classifications à partir des canaux radiométriques de base (RVB et 

PIR) seront faites, 

3) enfin la méthode pour choisir les meilleurs canaux de texture et les canaux 

calculés dans un espace de couleur dérivé sera expliquée ; de nouvelles 

classifications seront faites en s’attachant, à chaque fois, à faire ressortir la 

qualité des classifications à l’aide d’indices de qualité et de matrices de 

confusion. 

II. 

Contexte institutionnel 

Mon travail au sein du laboratoire MATIS porte sur l’assistance 

méthodologique auprès d’un étudiant en thèse à l’Université Paris V, Roger Trias 

Sanz, également mon tuteur de stage. Son sujet de thèse porte sur : la mise à 

jour automatique de données d'occupation du sol par des méthodes 

d'analyse d'image. 

En s’appuyant sur des données cadastrales, certaines classes comme le bâti ou 

le bitume, précitées dans la problématique, peuvent être déduites directement, 

en utilisant un masque ; ces classes n’intéressent donc pas mon tuteur. Elles 

doivent cependant être modélisées dans mes propres classifications, pour ne pas 

que celles-ci soient biaisées. 

Ce stage s’articule de façon plus générale dans les objectifs du laboratoire 

MATIS, à savoir la mise à jour et la validation de la base de données 

topographiques de l’IGN et l’accélération de l’obtention de la couche de 

végétation (trames vertes et blanche 1 ) pour la production des cartes 

topographiques, de manière automatique ou semi-automatique. 

1 Sur les cartes topographiques IGN au 1/25 000 ème , Série Bleue, les trames vertes correspondent 

aux Bois et forêts, aux Broussailles, aux Vergers et plantations, aux Vignes, … (figure 1) et la 

trame blanche correspond aux zones agricoles, cultivées ou non. Ces trames agricole ne peuvent 

être distinguées car elles évoluent très rapidement, d’une année sur l’autre, plus vite que la mise à 

jour des cartes elles-mêmes. 





Pour bien comprendre dans quel environnement se déroule mon stage, 

j’expose brièvement ci-dessous son contexte institutionnel, à savoir l’IGN, la 

recherche à l’IGN, le cadastre et le RGE. 

II.1 L’IGN et ses missions 

L’IGN est un établissement public administratif (EPA), crée en 1940 par le 

régime de Vichy 2 (voir annexe 1). Placé tour à tour sous la tutelle du ministère 

des travaux publics devenu ministère de l’équipement, du ministère de 

l’environnement et du cadre de vie, l’IGN dépend, depuis 2000, du ministère de 

l’aménagement du territoire et de l’environnement. 

L’IGN a pour missions, par le Décret numéro 81-505 du 12 mai 1981 : 

• D'exécuter sur le territoire national, les travaux nécessaires à l'implantation et à 

l'entretien d'un réseau géodésique et d'un réseau de nivellement de précision, à 

la couverture photographique aérienne, à l'établissement et à la tenue à jour 

des cartes topographiques de base et des cartes dérivées ; 

• D'accomplir des travaux relatifs à la télédétection aérienne et spatiale à 

caractère géographique , à la numérisation des données cartographiques et à 

l'élaboration des cartes thématiques ; 

• D'effectuer les recherches d'intérêt général correspondant aux activités 

mentionnées ci-dessus ; 

• D'établir, de publier et de diffuser, sous forme graphique, photographique ou 

numérique, les documents correspondants ; 

• De gérer la documentation liée aux activités définies ci-dessus, notamment celle 

du centre de documentation de photographie aérienne institué par le décret n° 

46.1282 du 29 mai 1946 ; 

• De diriger les activités de l'école nationale des sciences géographiques (ENSG), 

dans les conditions fixées par un arrêté du ministre de l'environnement et du 

cadre de vie et du ministre chargé du budget ; 

2 Le service géographique de l’armée a été supprimé à cette date au profit de l’IGN, organisme civil. 





• De coordonner et de contrôler, avec le service du cadastre, les travaux de levés 

de plans entrepris par les collectivités et services publics dans les conditions 

précisées par un arrêté des mêmes ministres. 

Source : Site de l’IGN, www.ign.fr, 2004. 

L’IGN comprenait 1 800 agents permanents environ au 1 er janvier 2004. Il 

dispose, outre de son siège administratif à Paris-Grenelle, des sites de Saint- 

Mandé (services de la recherche, production et publications, cartothèque, 

photothèque), de Marne-la-Vallée (ENSG), de Creil (aviation), de Toulouse ainsi 

que de 6 centres interrégionaux et de 17 agences régionales, y compris dans les 

DOM TOM. 

II.2 Le service recherche à l’IGN 

Le service de la recherche à l’IGN comprend 4 laboratoires aux objectifs différents 

mais complémentaires : 

- le MATIS 

- le COGIT 

- le LOEMI 

- le LAREG 

II.2.1 Le laboratoire MATIS 

A. Présentation du MATIS 

Le MATIS (Méthodes d'Analyses et de Traitement d'Images pour la Stéréorestitution, 

12 agents, 9 doctorants, 11 chercheurs, au 1 er janvier 2004) étudie 

des méthodes d'analyses d'images. Les recherches portent sur les photographies 

aériennes et visent à détecter et restituer les éléments du paysage, généralement 

en 3 dimensions, par stéréoscopie. 

L'IGN, en tant que producteur de cartes et de bases de données topographiques, a 

de gros besoins dans le domaine de l'aide à la restitution de données 

géographiques à partir d'images numériques. En effet, une très large part des 

données provient d'une saisie manuelle à partir de couples stéréoscopiques 

d'images aériennes. Toute contribution pour alléger la charge de travail de saisie 





est souhaitable pour réduire les coûts et les délais. (Source : extrait du site de l’IGN 

sur les fonctions du MATIS, http://recherche.ign.fr/activ/matis.html, 2004). 

B. Les thèmes de recherche 

- L’interprétation de scènes, 

- La reconnaissance et la restitution d’objets géographiques, 

- Leur mise à jour. 

Les recherches au MATIS répondent aux besoins du référentiel à grande échelle 

(RGE) et s'articulent actuellement autour de quelques thèmes principaux : 

- L'extraction et restitution du bâti, 

- La détection de changements pour la mise à jour de bases de données 

topographiques, 

- L’évaluation et qualité des données 3D, 

- Les Modèles Numériques d’Elévation (MNE), 

- La lecture automatique couplée des cartes et des images, 

- La radiométrie. 

C. La radiométrie au MATIS 

Description et objectifs scientifiques : 

- Modéliser les capteurs numériques de l'IGN aussi bien actuels qu'en cours de 

développement. Il s'agit de lier la valeur d'un pixel à l'albédo de la zone au sol 

correspondante. Ceci suppose donc la connaissance d'un modèle de la 

caméra et de l'atmosphère. 

- Calculer de « vraies » orthoimages (avec bâtiments redressés) en améliorant 

la fusion des données des différentes images, en utilisant les MNE (Modèle 

Numériques d’Elévation) issus des nouveaux algorithmes et en réduisant les 

effets d’ombrage. 

D. Le matériel à disposition 

Dans les locaux du laboratoire MATIS, 18 ordinateurs de type Pentium IV, sont à 

disposition pour l’ensemble du personnel (chercheurs, thésards, stagiaires), sous 

station Windows et Linux, ainsi qu’une imprimante couleur A3. 

II.2.2 Le laboratoire LOEMI 





A. Présentation 

Laboratoire d'Optique, d'Electronique et de Micro-Informatique (4 agents, 1 

doctorant, 3 chercheurs, au 1 er janvier 2004). Le LOEMI est un laboratoire 

d'instrumentation dont les axes de recherche sont dictés par les besoins de l'IGN 

en terme d'instrumentation spécifique et de compétences de personnel. 

Situé dans les mêmes locaux que le laboratoire MATIS 3 , il travaille en étroite 

collaboration avec celui-ci. 


- Photogrammétrie (réalisation de caméras numériques, étude des 

systématismes des prises de vue aériennes). 

- Métrologie et positionnement (télémétrie LASER aéroportée à champ large, 

altimétrie GPS). 

- Instrumentation pour la géophysique 

C. Domaines de compétence 

- Caméras CCD à usage scientifique de grand format, 

- Modulation électro-optique de faisceaux laser, 

- Lasers impulsionnels utilisés en métrologie, instrumentation aéroportée, 

- Automatismes, électronique. 

II.2.3 Le laboratoire COGIT 

A. Présentation du COGIT 

Le COGIT (Conception Objet et Généralisation de l'Information Topographique, 6 

agents, 12 doctorants, 6 chercheurs, au 1 er janvier 2004) étudie les 

problématiques liées à l'utilisation des données topographiques vectorielles, 

structurées sous la forme de bases de données. 


- Amélioration des bases de données géographiques (gestion des évolutions, 

unification, qualité, modélisation unifiée, procédures de mises à jour), 

- Facilitation de leur utilisation (dérivation, accessibilité, représentation 

cartographique, utilisation pour des applications géographiques thématiques). 

3 Site de Saint Mandé, Bâtiment M, 2 ème étage. 





- L’accès aux données dérivées (Interfaces Homme Machine, métadonnées, …), 

- L’adaptation des données aux risques, 

- L’automatisation de la généralisation, 

- La cartographie de la BDPays. 


- La modélisation de bases de données (2D, 3D), 

- Les probabilités et les statistiques, 

- L'analyse spatiale, 

- La conception d'algorithmes de transformation géométrique, 

- L'intelligence artificielle (l'apprentissage, les agents, l'organisation des 

connaissances), 

- La cartographie numérique. 

II.2.4 Le laboratoire LAREG 

A. Présentation 

LAboratoire de REcherche en Géodésie (8 agents, 5 doctorants, 6 chercheurs, au 

1 er janvier 2004). 


Le LAREG est spécialisé dans la détermination de références géodésiques et 

altimétriques. Les recherches sont menées en partenariat étroit avec le service de 

géodésie et nivellement de l’IGN. 


L'IGN, par l'intermédiaire du LAREG, est impliqué depuis de nombreuses années 

dans les activités du Service International de Rotation de la Terre (IERS), en 

particulier dans celles concernant la réalisation du Système International de 

Référence Terrestre (ITRS). 

II.3 Le cadastre et la DGI 





Le cadastre est un document cartographique élaboré par la DGI (Direction 

Générale des Impôts). Il détermine les valeurs locatives qui servent de base à 

l’assiette de la fiscalité directe locale, recense les terrains et les constructions, 

établit et met à jour le plan cadastral [Source : Direction Générale des Impôts, 

http://www.impots.gouv.fr/portal/dgi/, 2004]. Le cadastre est actuellement le seul 

plan parcellaire à grande échelle couvrant la totalité du territoire national. 

II.4 Le RGE 

L’IGN est chargé d’élaborer le RGE, ou Référentiel à Grande Echelle, en 

partenariat avec la DGI. Le RGE prône l’harmonisation des données 

géographiques. Il est constitué de 4 composantes métriques, cohérentes et 

superposables : 

- La composante image : BD ORTHO 

- La composante topographique : BD TOPO 

- La composante parcellaire : BD PARCELLAIRE 

- La composante adresse : BD ADRESSE 

Source : Site de l’IGN, www.ign.fr, 2004. 

A la suite d'une décision interministérielle du 19 février 2001, la DGI a 

signé une convention de collaboration avec l’IGN en vue de l'élaboration du RGE. 

La DGI fournira à l'IGN le plan cadastral numérisé, sous forme de vecteur ou 

d'image, pour la constitution de la composante parcellaire et inversement. 

C’est la composante image qui m’intéresse pour mon stage. En effet, le 

travail de mon tuteur au MATIS est inscrit dans la facilitation d’accès et la mise à 

jour du RGE. 





III. 

Les données et leur acquisition 

Les données utilisées pour cette cartographie de zones agricoles sont 

essentiellement des orthophotographies prises par les caméras de l’IGN. Dans le 

paragraphe ci-dessous, le mode d’acquisition des données photographiques de 

l’IGN est explicité, en décrivant succinctement le fonctionnement des caméras 

argentiques et numériques 4 . Puis, la définition d’une orthophotographie est faite. 

Enfin, la BD ORTHO de l’IGN est brièvement présentée. 

III.1 Les caméras IGN 

Les caméras IGN sont embarquées sur des avions propres à l’Institut. La 

base d’aviation de l’IGN est située à Creil (60). 

III.1.1 Caméra argentique 

Une caméra argentique est une caméra avec laquelle l'enregistrement de 

l'information radiométrique se fait par le biais d'une réaction chimique sur un 

support appelé film [FRE, 02]. 

III.1.2 Caméra numérique 

Elle fonctionne de la même manière que la caméra argentique, si ce n'est 

que le film sensible est remplacé par une matrice de capteurs photoélectriques. 

L’IGN utilise des capteurs CDD à matrice 5 sur les prototypes de caméras 

numériques. A cela plusieurs raisons : 

- le tangage de l’avion est plus important que dans un satellite, 

- les capteurs à barrettes permettent un meilleur choix du temps d’exposition. 

• Caractéristiques des caméras numériques IGN 

- CCD Kodak 

- Chaque pixel peut emmagasiner 45 000 électrons environ 

4 Ayant recueilli essentiellement des renseignements sur les caméras numériques, leur 

fonctionnement sera plus développé que celui des caméras argentiques. 

5 En général, sur les satellites d’observation de la terre, les capteurs CCD sont à barrettes. 





- Chaque pixel mesure 9 µm × 9 µm 

• Caractéristiques des images 

- Codées en 12 bits 

- 4096*4096 = 16,8 Millions de pixels environ 

• Avantages du numérique sur l’argentique 

- la réponse radiométrique des caméras IGN est stable au sein d’une même 

mission, d’une image à l’autre, ce qui facilite le travail ultérieur de 

mosaïquage 6 . Cependant, le phénomène de dallage (voir figure 5) peut être 

plus ou moins important sur les images de Toulouse non corrigé (figure 10a). 

- les images argentiques comporte un double bruit causé par la prise de vue 

d’abord et par le scannage ensuite. 

- les images scannées comportent environ 300 ndg (niveaux de gris) en 

panchromatique contre 2 000 ndg en numérique ; l’intérêt n’est pas visuel, 

puisque l’œil humain ne peut distinguer que quelques dizaines de ndg, mais 

porte sur les traitements informatiques qu’on pourra faire sur ces images. 

- la courbe de réponse à la lumière est linéaire chez les images numériques (et 

non logarithmique comme c’est le cas pour les images argentiques – figure 2), 

ce qui facilite les post traitements. C’est pour cela aussi que les images 

numériques sont plus sombres que les images argentiques. 

numérique 

Distribution théorique 

argentique 

Source : entretien avec J. P. SOUCHON, chercheur au LOEMI, juillet 2004 

Figure 2 : Réponse à la lumière théorique des images numériques et argentiques 

6 Le phénomène de mosaïquage est expliqué ultérieurement. 





- la qualité des images argentiques possède une dépendance radiométrique vis 

à vis de la chimie ; de plus, la manipulation de chimie pose toujours de 

problèmes de pollution. 

- l’absence de chimie diminue les délais du numérique. 

- le rapport signal/bruit, c’est à dire le rapport déterminant si l’information 

contenue dans une image est plus ou moins grand que le bruit présent dans 

cette image, est moins important en numérique, ce qui permet de faire 

apparaître des détails dans les zones d’ombres, par exemple. 

En revanche, la taille des images numériques est actuellement limitée à 

4096*4096 pixels alors qu’on peut faire des images plus grandes en argentique 7 . 

Il faut donc utiliser plus longtemps l’avion pour couvrir une surface égale, ce qui 

coûte en terme de personnel et de kérosène. 

En conclusion, le numérique offre de plus grandes possibilités que la 

caméra argentique. Les images ont une haute résolution (pixels jusqu’à 25 cm), 

mais la concurrence pourrait être importante dans les prochaines années avec 

l’arrivée de satellites à très haute résolution qui concurrenceront les images 

issues des caméras numériques IGN. Ils auront cependant toujours une 

atmosphère plus épaisse à traverser. Les productions orthophotographiques de 

l’IGN seraient réservées aux très grandes échelles en zones urbaine. 

Les premières missions officielles et commerciales de la caméra numérique 

IGN débutent en cet été 2004 (prise de vue de 10 départements) et à partir de 

2005, toutes les prises de vue seront en numérique. La migration de toute la 

production IGN de l’argentique vers le numérique se fait donc petit à petit. 

III.2 Orthophotographies et BD ORTHO 

III.2.1 Qu’est ce qu’une orthophotographie ? 

Une orthophotographie est une image photographique sur laquelle ont été 

corrigés les défaut géométriques et géographiques (voir ci-dessous), pendant une 

phase appelée l’orthorectification. Chaque élément de l'image est remplacé par sa 

7 Tout dépend de la taille des pixels au moment de la scannerisation. 





position géométrique exacte dans un plan de projection en 2 dimensions (figure 

3). Une orthophotographie peut ainsi être géoréférencée, puis superposable à une 

carte et facilement intégrable dans un SIG. Elle permet de mesurer la longueur, 

la surface, … de tout objet du sol visibles à l’écran tels que les cours d’eau, les 

champs, … [ENSG, 2004]. 

Le terrain en 3D 

Prise de 

vue 

Image déformée par la 

technique et par le relief 

Orthorectification 

L’orthophotographie 

en 2D 

Source : Site du Ministère de la Culture, Cellule photogrammétrique du Centre National de 

la Préhistoire, 2004, http://www.culture.gouv.fr/culture/cnp/fr/, modifié. 

Figure 3 : Orthorectification 

Il est cependant à noter qu'une orthophotographie ne peut être visualisée 

en stéréoscopie, précisément à cause de ces corrections. 

III.2.2 Nature des défauts et corrections 

• Défauts géométriques 

Les défauts liés à la géométrie proviennent de : 

- la distorsion de l’objectif ; elle est facilement corrigée car elle est faible et 

connue. 

- la non verticalité de l’axe de prise de vues, liée au fait qu’un avion n’est 

jamais parfaitement horizontal au moment du cliché. Elle est corrigée par 

l’aérotriangulation. 

• Défauts géographiques 

L’orthophotographie corrige également les défauts résiduels de parallaxe dus au 

relief (figures 3 et 4). 





L'utilisation d'un modèle numérique de terrain (MNT) permet de corriger 

cette erreur de parallaxe en repositionnant les différents points de l'image pour 

leur donner la position géographique qu'ils occuperaient s’ils étaient représentés 

sur une carte (figure 3). 

Cliché 

M 

Niveau moyen 

P’ 

M’ H 

V 

P 

Source : site de l’ENSG, www.ensg.ign.fr, 2004, adapté 

Figure 4 : Correction des défauts liés au relief 

La figure 4 montre que, sans correction, les points du terrain, notés P 

(situé en vallée) et M (situé en sommet), seraient projetés en P' et M' sur le plan 

d'altitude moyen alors que la position correcte du point M, sur une carte, est 

celle qu'occupe le point H et la position correcte du point P est le point V [ENSG, 

2004]. Pour créer ses orthophotographies, l’IGN dispose de MNT pour l’ensemble 

du territoire français 8 . 

Ces corrections, géométriques et géographiques, ne corrigent que les 

éléments naturels du terrain ; tout ce qui est en sursol (arbres, bâtiments, ponts, 

châteaux d’eau, …) n’est pas redressé 9 . 

8 Les MNT IGN proviennent de la BD ALTI ou de la BD TOPO MNT. L’exactitude du MNT varie de 2 

m pour la BD TOPO hors zones de montagnes à 20 m pour la BD ALTI en montagne. 

9 Des travaux portant sur la détection 3D et sur le redressement des bâtiments en zone urbaine 

sont en cours au laboratoire MATIS (voir par exemple les travaux du directeur du laboratoire 

MATIS : Didier BOLDO). 





• Défauts visuels (liés à la radiométrie) 

Les orthophotographies sont ensuite assemblées pour créer une mosaïque de n 

orthophotographies. Cette mosaïque est appelée par extension orthophotographie, 

elle aussi. 

Cependant, des différences de couleurs peuvent apparaître aux jonctions entre 

clichés, si certains clichés sont plus exposés que leurs voisins aux rayons du 

soleil, par exemple (voir figures 5 montrant deux extraits de la figure 10a) : au 

sein de chaque image, les luminances captées par la caméra présentent des 

variations dépendant notamment de la position relative du soleil et de la caméra, 

du type de surface vue et de la composition de l’atmosphère. Le mosaïquage des 

différentes images sans traitement radiométrique conduit à un effet « patchwork » 

visuellement peu esthétique, avec une alternance de zones sombres et claires, et 

des limites entre images initiales particulièrement visibles [CHA, 04]. 

Figure 5 : Exemples de défauts visuels liés au mosaïquage, corrigé par égalisation 

radiométrique 

Les limites entre clichés voisins aussi peuvent couper des objets 

géographiques en 2 (par exemple des routes ou des bâtiments). 





Actuellement, à l’IGN, les orthophotographies sont corrigées 

radiométriquement à la main par une vingtaine d’opérateurs qui utilisent le 

logiciel PhotoShop. Mais des travaux sont en cours, au laboratoire MATIS, pour 

que la correction radiométrique se fasse automatiquement par égalisation 

radiométrique. Ce traitement permet de rendre plus homogènes les radiométries 

dans les images et entre les images, de sorte que les problèmes ci-dessus ne 

soient pratiquement plus visibles. [CHA, 04 ; voir figure 10b]. C’est ainsi qu’ont 

été traitées les images intitulées Toulouse corrigé dans ce rapport. 

III.2.3 La BD ORTHO 

La bd Ortho de l’IGN est constituée de cette mosaïque de photographies 

aériennes couleur, orthorectifiées, en projection Lambert II étendu, couvrant un 

département entier. 

Les orthophotographies de la BD ORTHO ont une résolution de 50 cm et 

sont livrées par dalles de 1 km² au format *.tiff. 

En 2001, il a été en effet décidé, sur demande du Ministère de 

l'Agriculture, que la BD Ortho de l'IGN serait acquise en quatre canaux le Bleu, 

le vert et le rouge classiques, ainsi que le PIR. 

Les images de la BD ORTHO possède un recouvrement intra bande de 60% 

environ et un recouvrement inter bande de 20% environ (figure 6). 

Recouvrement interbande : 20% 

Recouvrement intrabande : 60% 

Figure 6 : Recouvrement intrabande et interbande 





IV. 

La zone d’étude : Troyes et Toulouse 

N 

0 250 km 

Source : Site de l’IGN, www.ign.fr, 2004 

Figure 7 : Localisation de la zone d’étude. 

Extrait du tableau d’assemblage des cartes IGN au 1/25 000 ème . 

Les données traitées par les chercheurs des laboratoires de l’IGN (le MATIS 

et le LOEMI) répondent à des commandes propres à ces laboratoires. Les 

données qui sont à ma disposition pour ce stage sont celles qu’utilise mon tuteur 

de stage. Elles reposent sur 2 missions aériennes de l’IGN (figure 7) : 

- une mission Troyes 

- une mission Toulouse 

Pour ces deux missions, Roger Trias Sanz possède les données cadastrales et les 

photographies aériennes. 





IV.1 Mission Troyes 

La mission de Troyes a été prise en mai. La résolution spatiale est de 

80 cm, rééchantillonnée à 50 cm lors de l’orthorectification. 

• Description technique 

- Image scannée. 

- 3 bandes spectrales dans le Vert, le Bleu et le Rouge. 

- Image non rectangulaire. Le découpage de cette image a été fait par mon 

tuteur en suivant des limites cadastrales. 

N 

0 500 m 

Figure 8 : Photographie aérienne en « vraies » couleurs au Sud de Troyes 

Synthèse additive des canaux Bleu, Vert, Rouge. 





• Description géographique 

Située à quelques kilomètres à peine au Sud-Est de Troyes, vers 48°14’N et 

4°5’E, cette série d’orthoimages est intégralement située en zone agricole. Elle 

comprend des parcelles en culture herbacées et en cultures ligneuses, des 

parcelles de terres arables et des parcelles non agricoles de bois. Les altitudes 

sont homogènes (vers 110-120 m), le relief est peu marqué. 

Le paysage est celui d’un openfield : les champs sont grands et ne sont pas 

clôturés. 

IV.2 Mission Toulouse 

Une prise de vue en zone rurale au Sud de Toulouse a été commandée par 

le laboratoire MATIS pour ses travaux dans le cadre du projet MORIS [CHA, 

04] 10 . Outre la différence de caméra, la particularité de la scène de Toulouse est 

de posséder un canal PIR. 

• Description technique 

Cette prise de vue, datant du 12 décembre 2003 est constituée de 

5 bandes × 28 images par bande = 140 images. 

La résolution spatiale est de 20 cm, mais les images ont été rééchantillonnées à 2 

mètres de résolution, pour les classifications, afin de diminuer les temps de 

traitement. Les paramètres de texture ont cependant été calculés à 50 cm (voir 

3 ème partie) pour plus de finesse. 

Toutes les images ont été acquises le même jour à quelques dizaines de minutes 

d’intervalle autour de midi, par la caméra numérique de l’IGN, à 1550 m 

d’altitude environ. Les images présentent un Hot Spot très marqué dans le sens 

Nord/Sud [CHA, 04]. 

Cette série comprend quatre bandes spectrales (figure 9) 11 : 

- le bleu (340 à 500 nm environ) 

- le vert (450 à 610 nm environ) 

10 Le projet MORIS est un projet concernant les laboratoires MATIS et LOEMI. Il a pour but la 

modélisation des capteurs numériques de l’IGN et le calcul de vraies orthoimages avec bâtiments 

redressés. 

11 Sachant que la vision humaine s’étend de 400 à 750 nm environ. 





- le rouge (570 à 730 nm environ) 

- le PIR (770 à1080 nm environ) 

Figure 9 : Bandes spectrales à Toulouse 

• Précision sur la date de prise de vue (décembre) 

Les images de Toulouse correspondent à une demande du laboratoire MATIS 

pour ses travaux. Elles ne correspondent pas à une demande de la part de 

clients potentiels à l’IGN (qu’il s’agisse de clients privés ou publics). Dans ce cas, 

les prises de vue sont faites en été, lorsque le soleil est le plus haut à l’horizon, 

pour qu’à la fois les conditions atmosphériques soient optimales et les ombres les 

moins importantes. En décembre, c’est la période de repos de végétaux sous les 

latitudes moyenne : c’est la saison où les pieds d’arbres fruitiers n’ont pas de 

feuilles [WAS, 01]. Pour les images de Toulouse, les conditions atmosphériques 

étaient bonnes mais les ombres portées pourront peut être poser des problèmes 

sur les classifications futures car à cette date hivernale, le soleil est loin de son 

zénith. 

• Description géographique 

Situées à une dizaine de kilomètres au Sud de Toulouse, vers 43°22’N et 1°15’W, 

les images recouvrent une zone de 11×4 km (44 km²) environ. 





Cette série d’images est plus intéressante que celle de Troyes par la diversité des 

types d’occupation du sol qu’elle propose : des zones urbaines, des champs 

cultivés ou non, des zones boisées, des zones d’eau naturelles (la Garonne coupe 

l’image dans le sens Sud/Nord) et artificielles (lacs), … Elle possède aussi un 

relief marqué (altitudes entre 180 et 300 m environ). 

a. 

N 

0 1km 

b. 

0 1km 

Figure 10 : Photographie aérienne en « fausses » couleurs au Sud de Toulouse 

Composition colorée standard : synthèse additive des canaux Vert, Rouge, Proche 

InfraRouge 

a. Image non corrigée 

b. Image corrigée 

Dans ce rapport, les résultats de traitements d’images par classification 

sont présenté sur la série d’images de Troyes (figure 8) et sur cette série de 

Toulouse, qui se compose de 2 blocs : 

- une première série d’images non corrigées radiométriquement (figure 10a) 





- une seconde série d’images corrigées radiométriquement (figure 10b) 

Les images ont été traitées radiométriquement au laboratoire MATIS afin 

d’optimiser et d’automatiser visuellement le rendu radiométrique (figure 5). Mais 

en théorie, les changements ne sont que visuels 12 . Il sera cependant vu, dans la 

suite de ce rapport, que les résultats des classifications sont différents pour la 

série de Toulouse non corrigé radiométriquement et pour la série de Toulouse 

corrigé radiométriquement. 

Les images de Troyes, de Toulouse corrigé et de Toulouse non corrigé ne 

sont pas du même ordre de grandeur (tableau 2) compte tenu du nombre de 

pixels, ce qui a une influence sur les temps de calcul des traitements. 

Tableau 2 : Taille des images 

Troyes Toulouse corrigé Toulouse non corrigé 

Nombre de lignes 1 411 1 709 2 011 

Nombres de colonnes 1 748 5 011 5 688 

Nombres de pixels 2 466 428 8 563 799 11 438 568 

V. La classification dirigée 

V.1 Définition 

La classification d’une image numérique géographique (photographie 

aérienne ou image satellite) équivaut à identifier et classer numériquement les 

pixels d’une image. Un algorithme d’apprentissage attribue à chaque pixel une 

certaine valeur correspondant à une classe (ou thème). 

Deux grandes méthodes de classifications existent : 

12 Il est à noter que ces deux séries d’images présentent des différences radiométriques (voir 

paragraphe 2.1 de la partie II). Celles-ci pourraient influencer les résultats cartographiques des 






- la classification non dirigée (ou non assistée ou non supervisée ou 

automatique ou sans apprentissage 13 ), 

- la classification dirigée (ou assistée ou supervisée ou non automatique ou 

avec apprentissage). 

C’est cette dernière qui va m’intéresser pendant mon stage. En effet, je 

vais rechercher des objets semblables à des objets de référence [GIR, 99]. Les 

objets de référence sont des pixels que je détermine géographiquement par photointerprétation 

comme appartenant à telle ou telle classe et les objets semblables 

sont les autres pixels de l’image, qui n’ont pas été déterminés en tant que telle ou 

telle classe. Il faut donc une connaissance préalable de la zone à cartographier. 

J’utilise les cartes IGN série bleue au 1/25 000 ème pour m’aider dans cette 

démarche car je n’ai pas de connaissances particulières sur le terrain à 

cartographier. En effet, les méthodes de classification dirigée supposent une 

connaissance a priori de l’appartenance de chaque pixel à une classe donnée, ce 

qui revient à supposer une connaissance a priori sur l’image à classer [COQ, 95]. 

La détermination des classes se fait à partir de zones d’entraînement, qui 

sont des échantillons représentatifs des classes. Je détermine également de la 

même manière des zones test qui seront sensées valider les zones 

d’entraînement. 

V.2 Méthodologie 

La classification dirigée d’images numériques géographiques se déroule en 

7 étapes : 

1. Définition de la légende : choix du nombre de classes souhaitées et de leur 

nature en fonction de la problématique fixée au préalable, 

2. Sélection des pixels représentatifs : pour chaque classe, on identifie sur 

l’image des zones représentatives appelées échantillons. Les échantillons sont 

à la fois des parcelles d’entraînement (qui permettent de décrire 

radiométriquement les classes) et des parcelles test (qui servent à la 

13 Suivant la littérature, les différents chercheurs adoptent telle ou telle terminologie. Il s’agit 

néanmoins de la même méthode, qui porte différentes appellations. 





vérification de la classification). Ces deux types de parcelles doivent être 

représentatives et sensiblement de la même composition. On estime qu’il doit 

y avoir 2/3 de parcelles d’entraînement pour 1/3 de parcelles test environ, 

3. Description des classes : les classes sont décrites statistiquement (moyenne, 

écart type, éventuellement minimum et maximum, …), 

4. Choix d’un algorithme de classification optimum, 

5. Classification elle-même : à ce stade, tous les pixels de l’image sont classés 

selon l’algorithme de classification choisi, 

6. Evaluation de la qualité de la classification : le résultat de la classification 

peut être évalué en le comparant à des informations de références qui 

peuvent être fournies par : 

- des zones parcelles sélectionnées sur l’image (voir points 2. et 3.) 

- des cartes de la région classée 

- des relevés de terrain 14 

7. Traitements post classification : les résultats cartographiques de la 

classification peuvent être traités de façon à rendre la classification plus 

propre, plus simple et moins bruitée (filtrage, regroupement de certaines 

classes, …) 20 . 

[Source : Université de Genève, http://www.unige.ch/ses/geo/, 2004] 

Dans ce rapport, je me suis préoccupée des 6 premiers points décrits cidessus. 

14 Cette option ne fait pas partie des objectifs de ce stage. 





2 ème partie 

Méthodologie pour faire des classifications 

Cette partie méthodologique a pour but de faire part : 

• des outils utilisés pendant ce stage (explication de la démarche pour réaliser 

ces classifications à l’aide du logiciel gratuit MultiSpec), 

• des méthodes utilisées pour faire les classifications 

- méthodes pour délimiter des parcelles d’entraînement et des parcelles 

test sur les images à classer, à partir du logiciel GéoConcept 

- méthodes pour obtenir des indicateurs statistiques montrant la qualité 

de la classification 





1. Logiciels utilisés 

1.1 GéoConcept 

Géoconcept sert à la délimitation des parcelles d’entraînement et des 

parcelles test, en utilisant les fonctions dessin du logiciel (outils de création). 

Quelques parcelles d’entraînement sont manuellement délimitées, ainsi que 

des parcelles test, validant ces parcelles d’entraînement. A chaque groupe de 

pixels représentatifs est attribué le nom de leur classe (telle que les bois, les 

champs cultivés, les terres arables, les vergers, ...). L’algorithme de classification 

se chargera ensuite de classer chaque pixel de l’image en fonction de ces pixels 

représentatifs. 

Les parcelles test et les parcelles d’entraînement doivent être de même 

nature pour que la qualité de classification et la classification elle-même soient 

validées. Il sera vu dans ce rapport qu’il est difficile de trouver des parcelles test 

et des parcelles d’entraînement exactement de même nature. 

La surface de ces parcelles d’entraînement et des parcelles test est 

directement calculée en ha avec Géoconcept. Le nombre de pixels est calculé à 

l’aide de MultiSpec, logiciel méconnu, présenté dans le point suivant. 

J’ai préféré, sur les conseils de mon tuteur, sélectionner et définir mes 

parcelles d’entraînement et mes parcelles test avec GéoConcept, pour des raisons 

de facilitation et de visibilité, plutôt que de le faire directement avec MultiSpec. 

De plus, ces parcelles seront directement récupérables et utilisables par mon 

tuteur pour ses travaux de recherche personnels, dans un fichier au format 

Texte GéoConcept *.txt, comprenant les coordonnées pixelaires de chaque 

parcelle. 





1.2 MultiSpec 

En accord avec mon tuteur de stage, un logiciel de traitement d’images, 

gratuit, est utilisé pour faire les classifications, comme je n’envisageait pas 

développer mes propres algorithme de classification ni utiliser les outils 

informatiques à disposition au MATIS (par exemple le noyau, bibliothèque 

algorithmique développée par les chercheurs du laboratoire, écrite en C++). Ce 

logiciel s’est révélé assez performant. 

1.2.1 Fonctionnement du logiciel 

• Présentation 

MultiSpec est un logiciel gratuit (freeware) de traitement d’images géographiques 

multispectrales et hyperspectrales, uniquement consacré aux classifications 

dirigées ou non dirigées . 

Il a été développé avec MacIntosh par des universitaires américains (laboratoire 

d’informatique de l’université de l’Indiana), initialement pour classer des images 

de types LANDSAT [LAN, 01]. 

Les deux seuls les formats externes lisibles par MultiSpec sont : 

- le format *.tif (format d’image utilisé au MATIS) 

- le format ESRI *.shp. 

Les autres formats lisibles par le logiciel sont des formats propres à MultiSpec 

(*.lan). 

Logiciel et documentation sont rédigés en anglais. Le logiciel est assez 

simple à prendre en main, la documentation étant très bien écrite 

(téléchargement du guide d’utilisateur à l’adresse suivante : 

http://dynamo.ecn.purdue.edu/~biehl/MultiSpec/Intro5_01.pdf). 

MultiSpec est téléchargeable sur : 

http://dynamo.ecn.purdue.edu/~biehl/MultiSpec 

• Interface 

Son interface possède essentiellement 3 composantes (figure 11) : 





- Une fenêtre texte, créée dès que MultiSpec est ouvert. Elle ne peut être 

fermée. Tous les processus, les traitements et les résultats effectués par 

MultiSpec sont écrits dans cette fenêtre, comme par exemple les résultats 

d’une classification. 

- Une fenêtre image. Plusieurs fenêtre image sont ouvrables en même temps. Il 

existe deux types d’images : les images multispectrales (qu’on peut voir en 

composition colorée 3 canaux ou canal par canal séparément, en niveau de 

gris) et les images thématiques issues des classifications. 

- Une fenêtre projet. Le projet est créé par l’utilisateur. C’est la fenêtre la plus 

importante du logiciel : c’est là que sont sélectionnées et enregistrées toutes 

les parcelles d’entraînement (et éventuellement les parcelles test) qui servent 

aux classification dirigées. On ne peut ouvrir qu’un projet à la fois. Un fichier 

*.prj est crée. Il doit respecter un code stricte pour être ouvert. 

Fenêtre 

Texte 

Fenêtre 

Projet 

Fenêtres 

Image 

Figure 11 : Interface MultiSpec 

Grâce à un programme de conversion de fichier adapté, développé par mon 

tuteur, je peux utiliser les parcelles d’entraînement et les parcelles test, définies 

avec Géoconcept et les utiliser avec MultiSpec pour faire les classification. Ces 

parcelles sont intégrées dans un fichier au format MultiSpec *.prj et je peux ainsi 

m’en servir dans la fenêtre projet de MultiSpec. 





• Menus 

MultiSpec propose 8 menus dans sa version Windows : 

- les menus classiques (File, Edit, Help), 

- des menus propres (View, Project, Processor, Options et Window). 

C’est le menu Processor le plus important : c’est lui qui permet tous les 

traitements de classification dirigée ou non dirigée, … pour l’image active ou pour 

projet ouvert. 

• Options 

Il est possible d’entrer les paramètres de l’image (figure 12), tels que : 

- l’unité des pixels (en km, m, cm, mm, miles, yards, feet, inches), 

- la taille des pixels, 

- le système de coordonnées, 

- la projection géoïde et ellipsoïde. 

Figure 12 : Fenêtre Image Map Parameters de MultiSpec (menu Edit) 





MultiSpec permet aussi de faire des ACP (Analyse en Composantes 

Principales) qui pourront aider à déterminer les canaux les plus adaptés pour 

faire des classifications optimales 15 . 

1.2.2 Un seul algorithme de classification retenu 

MultiSpec propose sept algorithmes de classification, à choisir dans la 

fenêtre Classify du menu Processor (figure 13) : 

- Maximum Likelihood (Maximum de vraisemblance : méthode statistique qui 

vise à définir le meilleur estimateur pour un problème donné) 

- Fisher Linear Likelihood (Vraisemblance linéaire de Fisher) 

- Minimum Euclidean Distance (Distance euclidienne minimum) 

- ECHO Spectral-spatial (Extraction and Classification of Homogeneous 

Objects : Extraction et Classification d’Objets Homogènes) 

- Quadratic (Vraisemblance quadratique ou vraisemblance gaussienne 

maximum) 

- Fisher Linear Discriminant (Vraisemblance de Fisher) 

- Correlation SAM (Spectral Angle Mapper) 

- Matched Filter CEM (Constrained Energy Minimization) 

Après de nombreux essais, il s’est avéré que l’algorithme le plus concluant 

est l’algorithme ECHO Spectral-spatial quadratic. Cet algorithme sera le seul 

utilisé tout au long du stage, pour pouvoir comparer toutes les classifications 

entre elles. Il s’agit d’un classifieur spatial et spectral, c’est à dire qu’il peut 

intégrer non seulement les variations spectrales entre pixels, mais aussi les 

variations dans l’espace [LAN, 01]. La méthode de classification se déroule en 

deux parties : 

1. d’abord, il segmente l’image en régions statistiques homogènes. Cette étape 

est elle-même découpée en deux temps : 

- l’homogénéité statistique de fenêtres n×n pixels appelées Cells 16 est 

vérifiée par un test ; les cellules qui échouent au test sont considérées 

comme non homogènes et mises de coté, 

15 Voir 4 ème partie. 

16 Ou cellules. C’est l’utilisateur qui détermine la taille de la cellule et le seuil des deux tests 

statistique . 





- les cells non homogènes, voisines de cells homogènes, subissent à 

nouveau un test d’homogénéité statistique. Celles qui réussissent le 

test sont agrégées aux cells homogènes, 

2. les cells restantes, qui n’ont été agrégées à aucune autres, sont ensuite 

classées en fonction d’un schéma de maximum de vraisemblance. 

Figure 13 : Fenêtre Classify de MultiSpec (menu Processor), permettant le choix de 

l’algorithme de classification et des paramètres et options de classification 

La spécificité de l’algorithme ECHO Spectral-spatial quadratic, est que la 

matrice des covariances entre canaux est utilisée pour chaque classe 

séparément 17 . 

Après avoir choisi les logiciels utilisés pour classer les images, je vais 

m’attacher à décrire précisément les classes à cartographier. 

17 Et non sur l’ensemble des classes, comme c’est la cas pour l’algorithme ECHO Spectral-spatial 

Fisher Linear Discriminant. 





2. Méthodes et réflexions préalables aux classifications 

Ces méthodes et réflexions concernent toute les démarches à faire avant 

les classifications (création des parcelles test et des parcelles d’entraînement) et 

précisent quels sont les indicateurs utilisés pour faire la qualité des 


2.1 Les classes retenues 

2.1.1 A Troyes 

Pour la série d’images de Troyes, compte tenu de la problématique et de ce 

que représente cette série, sept classes sont retenues (figure 14, tableau 2). Elles 

ont été délimitées par photo-interprétation et par analyse de la carte IGN 2817O 

au 1/25 000 ème , datant de 1954, révisée en 1994. Elles comprennent : 

• quatre classes non agricoles : 

- Autre végétation, comprenant des zones de clairières (zones non boisées) 

contenues à l’intérieur des bois, 

- Bitume, comprenant les routes et les zones goudronnées, peu nombreuses, 

- Bois, comprenant toutes les zones ligneuses (bois de feuillus), 

- Sols nus, comprenant des zones de terrain qui se trouveraient hors SAU. 

• trois classes agricoles : 

- Champs cultivés et prairies, qui correspondent à des zones géométriques en 

herbe, indifféremment qu’il s’agisse de cultures de type céréalières ou de STH 

(Surfaces Toujours en Herbe ou prairies permanentes), 





- Terres arables, qui correspondent à des zones géométriques non cultivées à 

cette période de l’année. Elles sont aussi reconnaissables aux sillons et traces 

laissés par le passage de machines agricoles, 

- Vergers, qui correspondent aux cultures ligneuses, donc pérennes. Ils sont 

reconnaissables grâce à l’agencement rectiligne et régulier des arbres qui 

composent le verger. On les rencontre dans le Nord de l’image. Ils peuvent 

reposer sur substrat végétalisé 18 ou non 19 . 

• Les classes non retenues dans cette nomenclature : 

- Bâti. La zone à cartographier est intégralement contenue dans une plaine 

agricole ; il n’y a donc pas de hameaux, éventuellement quelques maisons 

isolées, pas suffisamment grandes pour être cartographiées, 

- Eau. La carte laisse supposer que des cours d’eau temporaires sillonnent 

cette région mais ne sont pas nettement apparus sur l’image. Ils peuvent 

néanmoins avoir une incidence sur la radiométrie des zones situées à 

proximité, 

- Broussailles. La carte laisse apparaître des zones de broussailles au Nord 

Ouest de l’image. Cependant, à l’œil, elles ne sont pas distinguables des zones 

de bois 

- Vignes. Bien que situées dans un département viticole 20 , les images et la carte 

au 1/25 000 ème ne présentent aucune vigne 

- Sable humide, carrières et haies. Ces classes ne sont pas présentent sur les 

images de Troyes 

18 Substrat apparaissant en vert sur la composition colorée RVB, qui correspondrait à un substrat 

herbeux (figure 8, annexe 2). 

19 Substrat apparaissant en marron sur la composition colorée RVB, qui correspondrait à un 

substrat terreux (figure 8, annexe 2). 

20 L’Aube est le second département producteur de champagne en France [Source : Conseil Général 

de l’Aube, http://www.cg-aube.com/, 2004]. 





0 500 m 

Figure 14 : Les parcelles d’entraînement et les parcelles test sur l’image RVB de 

Troyes (hors parcelles de fond) 

Tableau 3 : Propriétés des parcelles d’entraînement et test sur l’image de Troyes 

Surface des Surfaces Nombre de 

Nombre de Nombre de 

parcelles des parcelles 

Nombre de 

parcelles pixels 

d’entraînement 

(ha) test (ha) Ment 

parcelles d’entraîne- 

pixels test 

test d’entraînement 

Autre végétation 0,3 0,0 3 2 801 61 

Bitume 0,8 0,3 12 9 1 928 695 

Bois 25,2 17,3 11 10 62 833 42 304 

Champs cultivés, 

prairies 

57,5 45,7 13 10 142 214 112 737 

Sols nus 1,5 2,1 1 1 3 852 5 049 

Terres arables 48,1 30,9 13 5 115 200 77 227 

Verger 0,8 0,8 2 2 1827 2 041 

Fond 70,7 39,5 1 1 171 544 94 828 

Total 133,9 97,0 56 40 500 199 334 942 

Surface totale 

(en ha) 

341,4 

Nombre total de 

parcelles 

96 

Nombre de pixels 835 141 

L’ensemble des 96 parcelles d’entraînement et de parcelles test de l’image 

de Troyes couvre une surface de 340 ha environ, soit un peu plus de 835 000 

pixels. 





Les classes contenant peu de pixels ou peu de parcelles représentatives 

sont les classes les moins représentées sur les images. Etant situées en zone 

agricole, il est normal que les images présentent des régions agricoles (champs 

cultivés et prairies, terres arables) plus importantes que les autres régions 

(bitume, sols nus). En revanche, on peut noter l’importance de la présence de 

bois non considérés comme une classe agricole (tableau 1). 

Il est cependant préférable de choisir un nombre important voire 

maximum de parcelles de référence pour faire une classification optimale, 

notamment lorsque les classes semblent hétérogènes comme c’est le cas ici (voir 

p. 50). 

Une classe Fond a été ajoutée car cette série d’images est non 

rectangulaire. Le fond, étant à valeur 255 dans les canaux RVB, apparaît en 

blanc. Il était important de bien le distinguer du reste de l’image, dont les pixels 

ont un comportement radiométrique tout à fait différent. 

2.1.2 A Toulouse 

A Toulouse, qu’il s’agisse de la série d’images corrigées ou non corrigées, 

douze classes ont été retenues (figure 15, tableau 3 pour Toulouse corrigé ; 

annexe 2 pour Toulouse non corrigé), plus ou moins similaires à celles de Troyes, 

si ce n’est qu’il y a plus de classes à Toulouse compte tenu de l’occupation du 

sol : 

• huit classes non agricoles : 

- Bitume, comprenant des petites routes, une autoroute (A64) et des zones 

goudronnées, 

- Bâti, comprenant des hameaux isolés, des zones urbaines (les communes de 

Lavernose-Lacasse et du Fauga possèdent plus d’un millier d’habitants) et des 

zones industrielles (centre de recherche), 

- Bois, comprenant des bois en zones escarpées et des forêts ripicoles, le long 

de la Garonne et des ses affluents (la Louge à l’Ouest, la Lèze à l’Est), 

- Broussailles, caractérisés par des ligneux bas assez espacés, 

- Carrières, correspondant à une zone atypique par sa radiométrie et sa 

texture, située localement au Sud Ouest de l’image, 





- Eau, comprenant à la fois des zones d’eau naturelles (fleuve et rivières) et 

artificielles 21 (lacs), 

- Haies, localisées sur les limites entre champs. Elles correspondent à un 

regroupement rectiligne de buissons, arbustes, arbres, 

- Sable humide, se rencontrant localement aux bords de la Garonne, dans les 

méandres. 

0 1km 

Figure 15 : Les parcelles d’entraînement et les parcelles test sur l’image RVB de 

Toulouse corrigé (hors parcelles de fond) 

• quatre classes agricoles : 

- Champs cultivés et prairies. Il s’agit des zones en activité chlorophyllienne, 

correspondant, sans doute, à cette époque de l’année, aux STH (Surfaces 

Toujours en Herbe) et aux champs céréaliers d’hiver. En effet, d’après le 

calendrier agricole [GIR, 99], seules les cultures de blé d’hiver et d’orge d’hiver 

sont susceptibles d’être en herbe à cette période (mois de décembre), 

- Terres arables, les plus nombreuses, elles sont le mieux représentées sur la 

partie Ouest des images car elles occupent une grand surface, 

- Vergers. Ils sont reconnaissables à leur organisation spatiale : ils sont 

composés de rangées d’arbres fruitiers par exemple, 

21 Ce qui me permet d’être assez catégorique sur l’origine artificielle des lacs situés sur au Sud- 

Ouest de l’image, n’ayant pas de connaissances du terrain, c’est que certains lacs n’apparaissent 

pas sur la carte de 1994, mais sur les images, 10 ans plus tard seulement. De plus, la géométrie 

très régulière de certains lacs laisse supposer cette origine anthropique. 





- Vignes, parfois confondues avec les vergers, elles présentent néanmoins un 

espacement moindre entre chaque plant. 

Tableau 4 : Propriétés des parcelles d’entraînement et test sur les images de 


Surface des 

Nombre de 

Nombre de 

Surface des 

Nombre de 

Nombre 



pixels 



de pixels 


(ha) 

ment 

ment 

d’entraîne- 

d’entraîne- 

test (ha) 

test 

test 

Bâti 3,4 1,9 5 5 8 468 4 704 

Bitume 2,2 2,0 10 6 5 621 4 942 

Bois 42,8 31,9 13 10 107 096 79 870 

Broussailles 14,5 9,2 2 3 36 141 23 120 

Carrières 3,0 2,6 2 2 7 608 6 572 


prairies 

37,9 19,9 10 17 94 676 49 850 

Eau 31,9 19,2 13 13 79 943 47 972 

Haies 0,5 0,3 7 5 1 323 833 

Sable humide 0,4 0,2 1 1 1 007 578 


Vergers 8,3 7,0 8 5 20 726 17 546 

Vignes 6,3 4,3 4 5 15 662 10 774 

Fond 3,6 1,1 1 1 8 980 2 657 

Total 195,4 132,6 88 83 488 497 331 700 


(en ha) 

328,0 



171 


L’ensemble des 171 parcelles d’entraînement et de parcelles test de l’image 

de Toulouse corrigé couvre une surface de 328 ha environ, soit un peu plus de 

820 000 pixels. 

Il sera peut-être à envisager l’intégration d’une classe ombre, compte tenu 

de la date hivernale de prise de vue. 

L’ordre de grandeur de toutes les parcelles test et parcelles d’entraînement 

est à peu près le même à Troyes, à Toulouse corrigé et à Toulouse non corrigé, en 





ha et en nombre de parcelles, bien que l’espace géographique représenté par les 

images de Toulouse soit plus vaste. 

2.2 Construction d’indicateurs de précision des classifications 

Le paragraphe suivant décrit les indicateurs qui permettent de quantifier la 

qualité d’une classification, en télédétection. 

2.2.1 Construction théorique d’une matrice de confusion 

Les matrices de confusion sont construites de la façon suivante : 

chaque case de la matrice compare la conformité de la classification à la 

délimitation des parcelles d’entraînement (ou parcelle test) définies par 

l’utilisateur (tableau 5a), en définissant les confusions, c’est à dire les pixels 

affectés à une classe, alors qu’ils appartiennent en réalité à une autre [GIR, 99] ; 

ces confusions devraient en théorie être de 0 pixels, pour que la classification 

soit parfaite (tableau 5b), ce qui n’arrive jamais en pratique. Le but est cependant 

de minimiser ces confusions. 

Tableau 5a : Structure d’une matrice de confusion 

Image obtenue par classification 

i = 1 i = 2 … i = n 

Total 

(Erreur d’excédent) 

Document de i = 1 x11 x12 … x1n x1 

référence i = 2 x21 x22 … x2n x2 

(terrain) : les … … … … … … 

parcelles i = m xm1 Xm2 … Xmn xm 


(ou 

Total 

(Erreur de x1 x2 … Xn 

parcelles test) déficit) 

Source : PAY, 02, adapté 

Avec 

xin : nombre de pixels appartenant à la parcelle de contrôle de la classe i 

sur le document de référence et inclus dans la classe n sur l'image brute ; 

xmi : nombre de pixels appartenant à la classe i sur l'image brute et inclus 

dans la parcelle de contrôle de la classe m sur le document de référence. 





Tableau 5b : Matrice de confusion théorique 

Classe 1 Classe 2 Classe 3 Total 

Classe 1 100% 0 0 100 

Classe 2 0 100% 0 100 

Classe 3 0 0 100% 100 

Total 100 100 100 

Sur la diagonale, on trouve donc le nombre de pixels bien classées ; hors 

de la diagonale on trouve le nombre de pixels classés dans d’autres classes. 

Pour chaque classe, la matrice indique le nombre de pixels de l'ensemble 

de référence qui se classe correctement, ainsi que la répartition des pixels dont la 

classe résultante diffère de la classe de référence. On peut ainsi analyser les 

sources de confusion entre les classes et tenter d'expliquer ces phénomènes 

[Source : Service canadien de la faune, 

http://www.qc.ec.gc.ca/faune/faune/html/contenu.html, 2004]. 

Il est important de nuancer la validité d’une matrice de confusion : le 

nombre de pixels doit être suffisant et, si possible, de même importance dans 

chaque classe pour que la comparaison ait un sens. Si cela n'est pas possible, 

comme c’est le cas ici, il faut prendre un plus grand nombre pixels pour les 

classes qui ont le plus d'importance thématique [GIR, 99]. C’est ce qui a été fait 

pour les classes agricoles, à Troyes (figure 14) et à Toulouse (figure 15). 

2.2.2 Les indicateurs de précision issus de la matrice de 

confusion 

On distingue : 

- les indicateurs issus des calculs par classes 

- les indicateurs issus des calculs sur l’ensemble des classes 

2.2.2.1 Les indicateurs issus des calculs par classes 

• L’erreur de commission ECi (ou précision statistique) 

Elle prend uniquement en compte le rapport des surfaces, pour une classe 

donnée, entre la référence et l’image classée : 





ECi 

xii 

= ni 

×100 

Avec 

xii : nombre de pixels bien classés 

ni : total en ligne 

L’erreur d’excédents sera calculée comme 100 – ECi 

• L’erreur d’omission EOi (ou précision géographique ou cartographique) 

Elle porte sur les superficies et sur la localisation géographique : 

EOi 

xii 

= mi 

×100 

Avec 

xii : nombre de pixels bien classés 

mi : total en colonne 

L’erreur de déficits sera calculée comme 100 – EOi 

2.2.2.2 Les indicateurs issus des calculs sur l’ensemble des 

classes 

• Précision globale (% de pixels bien classés) 

Avec 

n 

∑ xii 

i=1 PG = ×100 

x 

Σxii : total de la diagonale de la matrice 

x : nombre total de pixels délimités par l’utilisateur 

Un classement est jugé comme bon lorsque le pourcentage de pixels bien classés 

(diagonale de la matrice) est supérieur à 80 [GIR, 99]. 





• L’erreur de commission moyenne sur l’ensemble des n classes (EC) 

Avec 

nc : nombre de classes 

EC = 

ΣECi 

nc 

• L’erreur d’omission moyenne sur l’ensemble des n classes (EO) 

Avec 

nc : nombre de classes 

EC = 

ΣECi 

nc 

• L’erreur de commission combinée (ECC) 

ECC = 

EC + PG 

2 

• L’erreur d’omission combinée (EOC) 

EOC = 

EO + PG 

2 

La plupart de ces indicateurs statistiques ne sont signalés ici qu’à titre 

indicatif. Dans ce rapport, seuls les indices suivants sont utilisés : 

- précision globale, 

- ECi, 

- EOi, 

- Et l’indice Kappa ci-dessous. 

2.1.3 L’indice Kappa 

Contrairement à la précision globale, l’indice Kappa 22 prend en compte les 

valeurs hors diagonale de la matrice de confusion. Il évalue la précision d’une 

classification en télédétection. Il est calculé selon la formule suivante : 

22 Egalement appelé le coefficient d’accord ou la précision totale d’une classification. 





K 

= 

N 

r 

∑ 

x 

N ² − 

− 

i= 

1 

( x 

( x 

ii 

iσ 

σi 

i= 

1 i= 

1 

× 

r 

∑ 

r 

∑ 

iσ 

× x 

× x 

σi 

) 

) 

100 

avec : 

x iσ total en ligne 

x σ i total en colonne 

N nombre total d’observation 

r nombre de lignes de la matrice de confusion (c’est à dire nombre de 

classes). 

Ce coefficient prend indirectement en compte les erreurs de commission et 

d’omission ; il indique dans quelle mesure le % de pixels correctement classés est 

dû à un réel accord entre les données de référence (parcelles d’entraînement) et la 

classification ou bien si cet accord est le fruit du hasard. Ainsi, k = 0, la 

classification n’offre pas de meilleur résultat qu’une assignation aléatoire de la 

valeur des pixels [BAS, 00] ; k = 100, indique donc que la classification dirigée a 

nécessairement utilisé les données de référence pour bien classer tous les pixels 

de l’image. 

On considère, en télédétection, une bonne correspondance entre la 

cartographie issue de la classification des données pixellaires et les observations 

de terrain lorsque k > 80 [GIR, 99]. 






Les classifications utilisant les canaux radiométriques de base 

Dans cette partie, des classifications avec les 3 ou 4 canaux de base, issus 

des caméras argentiques et numériques de l'IGN, sont effectuées sur les scènes 

de Troyes et de Toulouse. Pour ce faire : 

1) un comparatif des résultats est fait : 

- entre la série d’images de Troyes et la série d’images de Toulouse 

- entre la série d’images de Toulouse corrigé et de Toulouse non corrigé 

2) la qualité des classifications est effectuées à l’aide d’indices de qualité 

(précision globale et précision totale) et de matrice de confusion définis dans 

la partie précédente. 





1. Résultats graphiques et cartographiques 

Les résultats de la classification se présentent sous forme graphique et 

cartographique. D’abord, une fois les classes délimitées géographiquement, on 

peut s’intéresser à leurs statistiques (moyenne, écart type) et comparer le 

comportement radiométrique enregistré au comportement radiométrique 

théorique. Ensuite, on peut analyser visuellement la qualité de la cartographie. 

1.1 Statistiques des classes 

La moyenne numérique des classes sur les canaux RVB (et PIR à 

Toulouse) est intéressante à étudier ; cette moyenne est calculée dans MultiSpec, 

grâce à la fonction List Stats… de la fenêtre Project. Le comportement 

radiométrique des classes peut être comparé au comportement théorique 

habituel observé sur le même type de surfaces. 

L’écart type des classes peut être aussi calculé et sert à voir si une classe 

est homogène ou hétérogène. Plus une classe est hétérogène (dans un canal 

donné), plus elle sera difficile à classer. 

1.1.1 Méthodes d’acquisition des statistiques 

Les moyennes et les écarts types des classes sont calculés dans MultiSpec 

sur les parcelles d’entraînement uniquement. Ces valeurs centrales n’ont 

cependant pas directement été calculées sur les images de base (figures 8 et 10). 

Sur les conseils de mon tuteur, il a fallu utiliser des images modifiées par des 

filtres. J’ai donc des images différentes pour calculer les statistiques et pour faire 

les classifications, ce qui n’est cependant pas gênant puisque les filtres vont 

modifier de la même façon les valeurs radiométriques sur tous les pixels de 

l’image. 





• Pour Toulouse corrigé et non corrigé 

1) Dans un premier temps, il a fallu traiter le voile atmosphérique en 

appliquant un filtre qui consiste à soustraire aux valeurs de tous pixels, la 

valeur minimale (tableau 6), dans chaque canal. L’histogramme de 

distribution commence ainsi à 0. 

Tableau 6 : Valeurs radiométriques minimales sur les images de Toulouse dans les 

4 canaux de base 

Bleu Vert Rouge PIR 

Corrigé 6 12 21 11 

Non Corrigé 16 22 32 17 

2) Ensuite, il a fallu se baser sur les valeurs radiométriques moyennes de la 

classe bitume dans les 4 canaux, pour que toutes les classes aient une 

valeur radiométrique la plus proche de la réalité. 

En effet, le comportement radiométrique théorique du bitume est assez 

rectiligne dans ces 4 longueurs d’onde [LAC, 04 ; figure 17]. Or ce n’était pas le 

cas à Toulouse, surtout pour le canal PIR : la calibration de la caméra, ou 

balance des blancs, n’a pas été faite pour le canal PIR avant la prise de vue à 

Toulouse. 

Il a donc fallu trouvé les coefficients multiplicateurs permettant de changer 

les valeurs radiométriques moyennes de toutes les classes. 

En se servant de la valeur radiométrique moyenne du canal Bleu pour la 

classe bitume, on cherche les coefficients permettant de passer du bleu au 

vert, du bleu au rouge et du bleu au PIR (tableau 7) pour cette classe. 

Tableau 7 : Coefficients multiplicateurs permettant la correction des valeurs 

radiométriques sur les images de Toulouse 


Toulouse Non corrigé 

Du bleu au vert 0,979 0,988 

Du bleu au rouge 1,154 1,02 

Du bleu au PIR 2,141 2,927 

On voit bien qu’étant proches de 1, les coefficients multiplicateurs vont avoir 

une faible influence sur les valeurs des canaux vert et rouge. La balance des 





blancs étant faite pour les canaux RVB, il n’est pas forcement nécessaire 

d’effectuer des modifications sur ces deux canaux. 

Par contre, les valeurs du canal PIR seront multipliées par 2 environ pour les 

classes des images de Toulouse corrigé et multipliées par 3 environ pour les 

classes des images de Toulouse non corrigé. 

On garde les valeurs du canal bleu pour les 12 classes, et on multiplie celles 

des 3 autres canaux par les coefficient (voir tableaux de données en 

annexe 3). Les valeurs moyennes pour la classe bitume sont donc les mêmes 

dans les 4 canaux. On obtient ainsi les figures 16b et 16c, où la courbe de la 

classe bitume est totalement rectiligne. 

• Pour Troyes 

Aucun traitement n’a été fait : les moyennes sont calculées directement (figure 

16a) sur l’image de base (figure 8). En effet, ces images étant plus anciennes que 

celles de Toulouse, elles avaient déjà été traitées antérieurement, pour le voile 

atmosphérique notamment. De plus, comme il n’y a pas de canal PIR, il n’y a pas 

eu de problème pour la balance des blancs dans ce canal. Et on voit que le 

comportement radiométrique de la classe bitume est assez rectiligne sur les 

canaux RVB. 

1.1.2 Comportement radiométrique des classes sur les 3 séries 

d’images 

1.1.2.1 Comportement radiométrique moyen 

• Troyes 

A Troyes (figure 16a), les 4 classes végétales (autre végétation, bois, champs 

cultivés et prairies, vergers) ont des comportements moyens identiques sur les 3 

canaux (notamment avec un pic dans le canal vert) ; on peut noter que les 

classes champs cultivés et prairies, vergers et autre végétation ont toutes les 3 des 

valeurs radiométriques moyennes extrêmement proches. Cela laisse supposer 

que les pixels de ces classes ont des valeurs radiométriques très proches sur ces 

3 canaux et qu’il sera peut-être difficile de les distinguer, de les classer et donc 

de les cartographier. 





On peut faire des remarques identiques pour les classes sols nus et terres 

arables : elles sont parallèles (pic dans le rouge) mais avec des valeurs moyennes 

différentes, plus faibles pour la classe terres arables. 

Les classes bitume et bois sembleraient les plus particulières et par-là même, les 

mieux classées. Ces hypothèses seront vérifiées ou réfutées dans les paragraphes 

suivants. 

a. 

Figure 16 : Comportement radiométrique des classes 

a. Sur les images de Troyes 

b. Sur les images de Toulouse corrigé (page suivante) 

c. Sur les images de Toulouse non corrigé (page suivante) 





b. 

c. 





• Toulouse 

Le comportement radiométrique des classes est assez semblable sur les images 

de Toulouse corrigé (figure 16b) et sur celles de Toulouse non corrigé (figure 16c) 

puisque les courbes sont quasiment parallèles. Cependant, les intensités sont 

plus grandes à Toulouse non corrigé (par exemple, pour les classes champs et 

prairies et haies, les valeurs radiométriques dans le canal PIR vont jusqu’à 240 

pour les images de Toulouse non corrigé et jusqu’à 150 pour Toulouse corrigé, 

environ). Cela est dû au coefficient multiplicateur (tableau 7) beaucoup plus élevé 

dans le PIR sur les classes des images de Toulouse non corrigé. 

Hormis la classe eau, les 11 autres classes ont un comportement radiométrique 

similaire : les valeurs moyennes augmentent pour à peu près toutes les classes, 

du canal bleu au canal rouge. Le comportement radiométrique moyen des classes 

est différencié avec le canal PIR puisqu’il oppose les classes qui connaissent une 

un pic dans le canal PIR (les classes végétales : champs et prairies, vergers, 

vignes, broussailles, bois) et les autres (les classes minérales : sable humide, 

carrières et terres arables), qui n’ont pas de pic dans le canal PIR. 

Les classes que l’on retrouve à Toulouse et à Troyes (terres arables, 

bitume, champs et prairies) ont le même comportement radiométrique moyen, 

sauf bois et vergers, qui n’ont pas de pic dans le vert, à Toulouse. Il faut rappeler 

que les dates de prise de vue sont différentes à Troyes et à Toulouse ; en fin 

d’automne à Toulouse, en pleine période où la durée du jour est la plus courte et 

où le soleil est au plus bas à l’horizon, les arbres sont dépourvus de feuilles et 

n’apparaissent pas en vert sur la composition colorée RVB, mais en brun. Ce 

n’est pas le cas à Troyes puisque la végétation est en pleine activité 

chlorophyllienne au mois de mai. 

Cependant, il faut relativiser ces valeurs car ce sont des moyennes et 

qu’elles peuvent masquer d’importantes hétérogénéités car elles sont sensibles 

aux valeurs extrêmes. 

1.1.2.2 Classes homogènes et hétérogènes 

Pour voir si une classe est hétérogène ou non, il faut connaître son écart 

type (voir annexe 4). Il ressort que les classes homogènes (qui ont de faibles 

écarts types sur les canaux RVB PIR) sont principalement les clairières (ou autre 





végétation), l’eau, les bois, les broussailles, les champs et prairies (sauf au niveau 

du canal PIR pour les images de Troyes), les vignes, les sols nus. Les classes 

hétérogènes sont le bâti, le bitume, les carrières, les haies, le sable humide (sauf 

au niveau du canal PIR pour les images de Troyes), les terres arables, les vergers. 

1.1.3 Comportement enregistré conforme au comportement 

théorique 

Ce comportement radiométrique enregistré des classes, sur les séries 

d’images de Troyes, Toulouse corrigé et Toulouse non corrigé est à comparer avec 

le comportement théorique d’états de surface similaires. On peut le trouver dans 

la littérature [GIR, 99] ou sur Internet. 

Source : http://perso.wanadoo.fr/ccpasteur/ondes.html 

Figure 17 : Comportement spectral théorique 

D’une manière générale, les classes végétales de Toulouse montrent 

toutes un pic dans le PIR, ce qui est conforme au comportement spectral 

enregistré de façon théorique avec un spectromètre soit en laboratoire soit sur le 

terrain, comme on peut le voir sur la figure 17, avec le comportement de l’herbe 

(petit pic dans le vert, gros pic dans le PIR) : la réflectance est maximale dans le 

PIR. Cela est dû à la nature même des végétaux chlorophylliens : la quantité de 





rayonnement absorbée par une feuille chlorophyllienne est très faible dans le 

PIR. D’où, une réflectance importante, et cela sur les images de Toulouse, même 

si la végétation est au repos (l’activité chlorophyllienne est moindre en hiver). 

On voit bien aussi que le bitume (ou asphalte sur la figure 17) a un 

comportement spectral linéaire sur ces longueurs d’onde. 

Le comportement observé de l’eau, sur les images est lui aussi 

conforme au comportement théorique : l’eau (pure) réfléchit très peu dans le 

rouge et le PIR, donc absorbe la quasi totalité du rayonnement solaire. Les 

valeurs numériques de l’eau sont très faibles : l’eau apparaît en noir sur les 

images ndg de Toulouse corrigé (figure 18). 

Figure 18 : Extrait de l’image de Toulouse corrigé 

L’eau apparaît en noir sur l’image PIR 

Une fois les classes délimitées géographiquement et décrites 

statistiquement, il ne reste plus qu’à lancer l’algorithme d’apprentissage choisi, 

pour faire la classification dirigée. 





1.2 Classifications avec les canaux d’origine 

Plusieurs classifications sont faites avec les canaux de base : 

- une classification RVB sur Troyes (figure 19) 

- une classification RVB sur Toulouse corrigé (figure 20) 

- une classification RVB PIR sur Toulouse corrigé (figure 21) 

- une classification RVB sur Toulouse non corrigé (annexe 5a) 

- une classification RVB PIR sur Toulouse non corrigé (annexe 5b) 

Pour la classification RVB de Troyes, on voit que l’algorithme de 

classification a relativement bien déterminé les zones de bois (en vert foncé), si on 

compare cette classification à la composition colorée en synthèse additive des 

canaux RVB (figure 8). On peut penser que le comportement radiométrique 

moyen de la classe bois (figure 16a), assez particulier par rapport à celui des 

autres classes, ait joué dans la bonne classification visuelle de cette classe. 

Il faut cependant noter que certains champs cultivés ou prairies, qui possèdent 

une couleur vert-foncé (figure 8), ont été classés en tant que bois, à l’Est de 

l’image. 

La classe verger est surestimée : alors qu’il n’y avait que quelques 

parcelles de vergers, isolées sur la figure 8, le classifieur a classé en verger des 

zones qui ne le sont pas : de nombreux champs sont en jaune sur la figure 19. 

De même la classe autre végétation, qui devrait correspondre aux zones de 

clairières, ne se retrouve pas à l’intérieur des bois : un champs à l’extrême Est a 

été classé en tant qu’autre végétation. 





N 

0 500 m 

Figure 19 : Classification RVB sur l’image de Troyes 





N 

0 1km 

Figure 20 : Classification RVB sur l’image de Toulouse corrigée 

0 1km 

Figure 21 : Classification RVB PIR sur l’image de Toulouse corrigé 





La classification RVB de Toulouse, figure 20, semble globalement assez 

grossière dans le sens où les parcelles de champs (cultivés ou non) sont 

découpées de manière aléatoire ; de plus, cette classification présente des 

parcelles de vignes et de vergers assez grandes, alors que sur la composition 

colorée (figure 10b) et sur l’image de découpage des parcelles d’entraînement et 

des parcelles test (figure 15), elles sont assez petites. De même les haies, qui ne 

sont que des zones ligneuses rectilignes, larges de quelques pixels, sont classées 

comme de grosses parcelles géométriques non rectilignes. 

On peut en revanche considérer que, visuellement, la classe bâti est bien 

découpée : les pixels très réfléchissant des bâtiments (aux valeurs fortes sur les 3 

canaux), apparaissant dans de petites taches cyan clair sur la composition 

colorée (figure 10), sont assez bien ressortis sur la classification. Il peut 

cependant y avoir confusion avec la classe carrière, elle aussi très réfléchissante. 

Cela ne pose cependant pas de problème car : 

- la classe bâti et la classe carrières n’intéressent pas la problématique de ce 

stage, qui est de cartographier les zones végétales et les zones agricole, 

- ces deux classes peuvent être détectées avec d’autres méthodes (en utilisant 

un masque du cadastre). 

La classe eau a bien été classée au niveau de lacs artificiels mais pas 

intégralement au niveau de la Garonne : il y a deux grosses coupures au Nord et 

au Sud du fleuve. 

L’intégration du canal PIR semble améliorer visuellement la classification 

de Toulouse (figure 21) ; les parcelles de vignes, de vergers et de haies sont plus 

petites, mais encore surestimées par le classifieur, la Garonne est beaucoup 

moins découpée, …. 

Dans les deux cas, pour les classifications de Toulouse corrigé (avec ou 

sans canal PIR), la classe terres arables, majoritaire en cette saison, semble 

sous-estimée par le classifieur. 

Des remarques comparables peuvent être appliquées aux classifications 

faites sur Toulouse non corrigé (annexes 5a, 5b et 5c). 

Cependant, ces réflexions sur la qualité visuelle des classifications ne sont 

qu’un prélude à la véritable estimation statistique de la qualité de ces 





classifications. Il semblerait que ces classifications soient très intéressantes pour 

la reconnaissance de certaines classes, mais posent un certain nombre de 

problèmes pour d’autres classes ; ces problèmes seront peut-être résolus grâce à 

l’intégration de nouveaux canaux (voir 4 ème partie). Mais avant, la qualité des 

classifications faites avec les canaux radiométriques de base doit être estimée 

numériquement. 

2 Evaluation de la qualité des classifications 

La qualité des classifications est faite en utilisant : 

• des matrices de confusion, 

• des indices issus de la matrice de confusion (dont la précision globale, qui 

calcule le pourcentage de pixels bien classés), 

• l’indice Kappa (ou précision totale), qui permet de quantifier la conformité 

entre les parcelles d’entraînement 23 et les classes définies par l’algorithme de 

classification. 

2.1 Matrices de confusion et indicateurs associés à Troyes 

La matrice de confusion issue de la classification de l’image de Troyes est 

présentée ici (tableau 8), pour les parcelles d’entraînement définies en 2 ème partie. 

Pour voir la matrice des parcelles test, se référer en annexe 6. La classe fond est 

exclue des commentaires suivants. 

23 Ou les parcelles test. 





Tableau 8 : Matrice de confusion des parcelles d’entraînement de l’image de 

Troyes. Classification RVB 

Autre 

végétation 

Autre 

Végétation 

Bitume 

Bois 

Champs 

cultivés et 

prairies 

Sols 

nus 

Terres 

Nb 

arables Vergers Fond pixels 

ECi 

Erreur 

de 

déficit 

748 1 5 32 2 1 12 0 801 93,4 6,6 

Bitume 5 1 778 6 9 6 37 87 0 1 928 92,2 7,8 

Bois 125 44 62 151 360 0 37 116 0 62 833 98,9 1,1 

Champs 

cultivés, 

prairies 

587 108 14 470 121 058 26 2 483 3 482 0 142 214 85,1 14,9 

Sols nus 0 7 0 0 3 568 272 5 0 3 852 92,6 7,4 

Terres 

Arables 

10 504 7 469 23 415 83 963 6 832 0 115 200 72,9 27,1 

Vergers 20 0 23 517 0 3 1 264 0 1 827 69,2 30,8 

Fond 0 0 0 0 0 0 0 171 544 171 544 100,0 0,0 

Nb pixels 1 495 2 442 76 662 122 445 27 017 86 796 11 798 171 544 500 199 

EOi 50,0 72,8 81,1 98,9 13,2 96,7 10,7 100 

Erreur 

d’excédent 

50,0 27,2 18,9 1,1 86,8 3,3 89,3 0,0 

La matrice se lit de la manière suivante (figures 22 et 23) : 

2.1.1 Lecture en ligne 

Parmi les 801 pixels délimités par l’utilisateur en tant que classe autre 

végétation : 

- 748 pixels ont été effectivement classés comme classe autre végétation, 

par l’algorithme de classification (soit 93,4 % environ), 

- 1 pixel a été classé comme classe bitume (soit 0,1%), 

- 5 pixels ont été classés comme classe bois (soit 0,6%), 

- 32 pixels ont été classés comme classe champs cultivés (soit 4%), 

- 2 pixels ont été classés comme classe sols nus (soit 0,2%), 

- 1 pixel a été classé comme classe terres arables (soit 0,1%), 

- 12 pixels ont été classés comme classe vergers (soit 1,5%), 

- aucun pixel n’a été classé comme classe fond. 





On peut donc considérer que ces 93,4% représentent une bonne 

classification des parcelles autre végétation par l’algorithme : les parcelles d’autre 

végétation sont bien classées, et n’ont pas été confondues avec les autres classes. 

Parcelle délimitée en tant que 

classe autre végétation 

Pixels bien classés comme autre 

végétation par le classifieur 

Pixels classés comme vergers par le 

classifieur 

Pixels classés non délimités, donc 

non pris en compte dans les erreurs 

en ligne 

Figure 22 : Exemple de pixels mal classés. Erreur de commission 

Globalement, les pixels appartenant aux parcelles délimitées par 

l’utilisateur ont bien été classés : les ECi sont supérieures à 80%, sauf pour les 

classes terres arables (l’erreur de déficit est de 27,1%, principalement parce que 

20,3% des pixels délimités comme terres arables ont été classés comme sols nus) 

et les vergers (l’erreur de déficit est de 30,8%, principalement parce que 28,3% 

des pixels délimités comme vergers ont été classés comme champs cultivés et 

prairies). 

2.1.2 Lecture en colonne 

Parmi les 500 199 pixels délimités en tant que parcelles d’entraînement, 

1 495 ont été classés dans la classe autre végétation par le classifieur, soit le 

double des pixels autre végétation délimités par l’utilisateur (erreur 

d’excédent de 50%). Parmi ces 1 495 pixels : 

- 748 étaient délimités par l’utilisateur comme pixels de la classe autre 

végétation (soit 50%), 

- 5 étaient délimités comme pixels de la classe bitume (soit 0,3%), 

- 125 étaient délimités comme pixels de la classe bois (soit 8,3%), 

- 587 étaient délimités comme pixels de la classe champs cultivés et 

prairies (soit 39,2%), 

- aucun pixel n’était délimité comme classe sols nus, 





- 10 étaient délimités comme pixels de la classe terres arables (soit 

0,7%), 

- 20 étaient délimités comme pixels de la classe vergers (soit 1,3%), 

- aucun pixel n’était délimité comme classe fond. 

Parcelle délimitée par l’utilisateur 

en tant que classe autre végétation 

Pixels classés par l’algorithme 

comme autre végétation 

Pixels classés par l’algorithme 

comme vergers 

Pixels classés non délimités, donc 

non pris en compte dans les erreurs 

en colonne 

Figure 23 : Exemple de pixels mal classés. Erreur d’omission 

Les EOi sont moins bonnes que les ECi : hormis les classes champs 

cultivés et prairies, bois et terres arables, on peut considérer que les autres 

classes sont mal prises en compte par le classifieur, donc mal cartographiées. Il y 

a en effet confusion, plus ou moins forte il est vrai, entre les classes : 

- autre végétation et champs cultivés et prairies, 

- bitume et terres arables, 

- sols nus et terres arables, 

- vergers et champs cultivés et prairies, 

- vergers et terres arables. 

En effet, si le substrat d’un verger ressort en vert sur la composition 

colorée RVB (figure 8, annexe 7), il peut y avoir confusion entre un verger et un 

champ cultivé (activité chlorophyllienne) ; si le substrat ressort en marron, il 

peut y avoir confusion entre un verger et un champ en labour (une terre arable, 

donc pas d’activité chlorophyllienne) ; un verger est donc, dans ce contexte, une 

sorte de mélange radiométrique entre champ cultivé et terre arable (figure 

24c et 24d). D’où, confusion entre ces classes. 

De même, la classe autre végétation, composée de petites zones 

d’herbacées situées à l’intérieur d’une grande zone de ligneux, ressemble 

radiométriquement à une zone de prairie. 





Enfin, la classe sols nus, considérée comme non agricole, n’a peut-être pas 

de légitimité et s’apparente trop à la classe terres arables. 

Une partie des pixels de terres arables est cartographiées dans le bitume. 

Cette classe est surestimée. Cela peut être lié au fait que : 

- terre arable et bitume aient une réponse radiométrique assez proche sur les 

canaux RVB, surtout en zone agricole, 

- les parcelles d'entraînement ont été plus ou moins bien délimitées par 

l'utilisateur. En effet, les routes ne sont ici constituées que d'1 à 3 pixels de 

large et peuvent déborder sur les terres arables. Mais dans ce cas, il y aurait 

dû avoir aussi confusion avec les champs cultivés et prairies. C'est le cas ici 

mais de façon moindre. 

On peut conclure sur cette matrice de confusion en disant que la classe 

bois ne pose pas trop de problème de classification. Cependant, ce propos est à 

nuancer : si seulement 1,1% des pixels délimités par l’utilisateur n’appartiennent 

pas à la classe bois, 18,9% des pixels classés en tant que bois appartiennent aux 

parcelles de champs cultivés. 

2.1.3 Précision Globale 

La précision globale de cette image de Troyes est de 89,2% avec la classe 

fond mais surtout de 83,5% sans la classe fond. La précision globale a été 

calculée en excluant la classe fond. En effet, étant tout à fait bien discriminée par 

le classifieur (ECi et EOi de 100%), à cause de son comportement radiométrique 

totalement spécifique, son intégration dans le calcul de ce indice le biaise et le 

résultat se trouve trop élevé par rapport à la réalité. La précision globale sans la 

classe fond a été calculée ici comme : 

PG 

SansClasseFond 

n 

∑ xii − xfond 

i= 

1 

= ×100 

X − Xfond 

avec : 

Σxii : total de la diagonale de la matrice 





x : nombre total de pixels nombre total de pixels délimités par l’utilisateur 

X fond : nombre de pixels classés au total dans la classe fond 

x fond : nombre de pixels bien classés dans la classe fond 

En général, sur les image de Troyes et de Toulouse, X fond = x fond . 

2.1.4 Recouvrements entre classes 

La précision globale peut être considérée comme bonne. Néanmoins, elle 

cache de grandes disparités entre les classes. MultiSpec et un logiciel 

d’histogrammes de fréquence des classes sur les canaux 24 montrent qu’il y a en 

effet de nombreux recouvrements (figures 24 et 25) : de nombreux pixels, 

appartenant à des classes différentes, ont des valeurs numériques proches. Il est 

donc très difficile au classifieur de les distinguer nettement. 

En vert : Terres arables ; en cyan : vergers et autre végétation ; en jaune : sols nus ; en 

bleu : bitume ; en magenta : bois ; en rouge : champs cultivés et prairies 

Figure 24 : Histogramme 3D montrant le recouvrement des 7 classes, à Troyes, 

sur les canaux RVB 

24 Logiciel de visualisation d’histogrammes développé au MATIS. 





a. b. 

c. d. 

Figure 25 : Histogramme montrant le recouvrement à Troyes des classes : 

a. terres arables et sols nus 

b. autre végétation/champs cultivés et prairies 

c. vergers/champs cultivés et prairies 

d. vergers/terres arables 

C’est notamment le cas entre les classes autre végétation et champs 

cultivés et prairies (b) et entre vergers et champs cultivés et prairies (c) et entre 

vergers et terres arables (d), mais pas tellement entre sols nus et terres arables 

(a) : les sols nus correspondent à une classe très claire, donc très réfléchissante, 

homogène (aux valeurs radiométriques peu étendues dans les 3 canaux), mais il 

peut y avoir recouvrements avec la classe terres arables au niveau des pixels les 

plus clairs de celle-ci. 

2.1.5 Nouvelles matrices de confusion 

Pour améliorer ces classifications, plusieurs options sont possibles : 

- refaire une nouvelle délimitation des parcelles d’entraînement, pour en choisir 

des plus représentatives des classes choisies (option non retenue), 

- refaire ces classifications en changeant les classes ou en les regroupant 

(option prise dans le paragraphe suivant), 





- utiliser d’autres canaux où les recouvrement seraient moindres (option 

commentée en 4 ème partie). 

De nouvelles classifications sont donc refaites sur l’image de 

Troyes, toujours avec les canaux RVB : 

- sans la classe et les parcelles d’entraînement et test autre végétation, trop 

marginales sur l’image, voire non existante (tableau 8), qui n’existe même pas 

sur les trames des cartes IGN 1/25 000 ème (figure 1), 

- sans la classe et les parcelles sols nus, trop semblable à la classe terres 

arables (tableau 9), 

- sans ces 2 classes et leurs parcelles (tableau 10). 

Tableau 9 : Matrice de confusion des parcelles d’entraînement de l’image 19. 

Classification RVB sans la classe autre végétation 

Bitume 

Bois 

Champs 


prairies 

Sols 

nus 

Terres 

Erreur de 

Arables Vergers Fond Nb pixels ECi déficit 

Bitume 1 777 7 13 6 37 88 0 1 928 92,2 7,8 

Bois 41 62 201 413 0 37 141 0 62 833 99,0 1,0 

Champ cultivé 87 14554 121 600 26 2483 3464 0 142 214 85,5 14,5 

Sols nus 7 0 0 3 568 272 5 0 3 852 92,6 7,4 

Terres arables 503 7 482 23415 83 963 6830 0 115 200 72,9 27,1 

Verger 0 25 527 0 3 1 272 0 1 827 69,6 30,4 

Fond 0 0 0 0 0 0 171 544 171 544 100,0 0,0 

Nb pixels 2 415 76 794 123 035 27 015 86 795 11 800 171 544 499 398 

EOi 73,6 81,0 98,8 13,2 96,7 10,8 100 

Erreur 

d’excédent 

26,4 19,0 1,2 86,8 3,3 89,2 0,0 

La précision globale est de 89,3% avec la classe fond et de 84,5% sans la 

classe fond. En excluant la classe autre végétation, la précision globale n’a donc 

pas été améliorée. Globalement, les ECi et les EOi n’ont pas été améliorées non 

plus. Il se trouve que cette solution n’était pas bonne. 






Classification RVB sans la classe sol nu 

Autre 

végétation 

Autre 

Végétation 

Bitume 

Bois 

Champs 


prairies 

748 1 5 32 3 12 0 

Terres 

Erreur de 

Arables Vergers Fond Nb pixels ECi déficit 

801 

93,4 6,6 

Bitume 5 1 780 6 9 41 87 0 1 928 92,3 7,7 

Bois 125 44 62 151 360 37 116 0 62 833 98,9 1,1 

Champ cultivé 9 326 106 14 162 113 430 2 543 2 647 0 142 214 79,8 20,2 

Terres arables 10 457 7 469 107 436 6 821 0 115 200 93,3 6,7 

Verger 20 0 23 517 3 1 267 0 1 830 69,3 30,7 

Fond 0 0 0 0 0 0 171 544 171 544 100,0 0,0 

Nb pixels 10 234 2 388 76 354 114 817 110 063 10 950 171 544 496 350 

Eoi 7,3 74,5 81,4 98,8 97,6 11,6 100 

Erreur 

d’excédent 

92,7 25,5 18,6 1,2 2,4 88,4 0,0 

La précision globale est de 92,3% avec la classe fond et de 88,3% sans la 

classe fond. 

En excluant la classe sols nus, on note une légère amélioration de la 

précision globale (+3,8 points). L’ECi de la classe terres arables a progressé de 

20,4 points, passant de 72,9% à 93,3%. Cependant, l’ECi de la classe champs 

cultivés et prairies a diminué de 5,3%. 

Il se peut cependant que la classe sols nus n’en soit pas une, mais que les 

parcelles délimitées comme telles soient en fait bel et bien des terres arables, 

appartenant à la SAU (donc qui doivent être représentées par la trame blanche 

sur les cartes IGN). On peut en effet apercevoir des sillages et traces laissées par 

une engin de type tracteur (figure 26). 





Parcelle d’entraînement 

Parcelle test 

Figure 26 : Parcelles initialement considérées comme du sol nu 


Classification RVB sans la classe autre végétation ni sol nu 

Bitume 

Bois 

Champs 


prairies 

Terres 

Arables 

Vergers Fond Nb pixels ECi 

Erreur de 

déficit 

Bitume 1 779 7 13 41 88 0 1 928 92,3 7,7 

Bois 41 62 201 413 37 141 0 62 833 99,0 1,0 

Champ cultivé 85 14258 122 845 2543 2483 0 142 214 86,4 13,6 

Terres arables 456 7 482 107 436 6819 0 115 200 93,3 6,7 

Verger 0 25 527 3 1 272 0 1 827 69,6 30,4 

Fond 0 0 0 0 0 171 544 171 544 100,0 0,0 

Nb pixels 2 361 76 498 124 280 110 060 10 803 171 544 495 546 

EOi 75,3 81,3 98,8 97,6 11,8 100 

Erreur 

d’excédent 

24,7 18,7 1,2 2,4 88,2 0,0 

La précision globale est de 94,3% avec la classe fond et de 91% sans la 

classe fond. 

En excluant les classes autre végétation et sols nus, la classification est 

sensiblement améliorée puisque la précision globale (toujours sans la classe 

fond) est maintenant de 91%. En même temps cette classification est 

beaucoup simplifiée par rapport à la classification 7 classes. 

Sur le tableau 11, on voit que les ECi et les EOI sont presque toutes 

bonnes, sauf pour la classe vergers, qui pose toujours problème. Il semblerait 





que la radiométrie classique (canaux RVB) ne soit pas suffisante pour 

cartographier cette classe vergers. 

La 4 ème partie apportera des réponses sur l’apport des nouveaux canaux 

texture et de radiométrie pour une meilleure cartographie de cette classe vergers. 

2.1.6 Comparaison avec les parcelles test 

Comparativement aux matrices de confusion des parcelles d’entraînement, 

les matrices de confusion des parcelles test sont bien moins bonnes. 

Peut-être les parcelles test sont-elles moins représentatives des classes. Il 

faudrait alors envisager de les changer. 

Cependant, les matrices les plus importantes à prendre en compte 

sont celles des parcelles test, qui montrent ou pas la validité d’un 

algorithme de classification. 

Les classes les moins bien cartographiées (EOi) sont 25 : 

- autre végétation (le classifieur l’a presque intégralement classée avec les 

champs cultivés et prairies), 

- vergers (le classifieur les a confondu avec les champs cultivés et prairies et 

terres arables), 

- terres arables (le classifieur les a confondues avec les champs cultivés et 

prairies : l’erreur d’excédent est de 38,6% contre 3,3% pour les parcelles 

d’entraînement). Or on peut penser que radiométriquement, ces classes sont 

assez différentes, sur les canaux RVB (voir figure 16c sur les radiométries 

moyennes enregistrées sur les parcelles d’entraînement et figure 17 sur les 

comportements spectraux théoriques). Sans doute les parcelles test ont-elles 

mal été délimitées pour qu’il y ait ici une telle confusion. Cependant, ce n’est 

pas gênant car dans la problématique initiale de détection des classe en 

fonction des trames IGN présentes sur les cartes topographiques au 

1/25 000 ème , les classes terres arables et champs cultivés et prairies sont 

regroupées dans la trame agricole, blanche. 

25 Pour voir le détail, se référer en annexe 8. 





Les sols nus, qui posaient des problèmes au niveau des EOi, sur les 

parcelles d’entraînement (tableau 8), n’en posent plus ici. Les différences de 

classification au niveau des pixels de sols nus sont étonnant car les pixels 

d’entraînement et les pixels test ont été délimités au niveau de la même parcelle 

(voir figure 26). 

2.1.7 Indice Kappa 

Les valeurs de la classe fond n’ont pas été exclues du calcul de l’indice 

Kappa, directement donné dans MultiSpec. Il faut donc le prendre avec 

précaution et le considérer à la baisse, comme la précision globale, surtout pour 

Troyes, où la classe fond est particulièrement importante (elle comporte plus de 

170 000 pixels, contre quelques milliers pour les images de Toulouse). 

Tableau 12 : Indice Kappa sur les parcelles d’entraînement et les parcelles test, à 

Troyes 

Sans Autre 

Sans Autre végétation 

Avec les 7 

Sans Sols nus 

végétation 

ni Sols nus 

classes 

(6 classes) 

(6 classes) 

(5 classes) 

Parcelles 


85,6 85,8 89,7 92,2 

Parcelles test 76,6 82,3 81,6 81,9 

• Evolution de l’indice Kappa lorsqu’on supprime une classe 

Les indices Kappa à Troyes montrent une évolution qui va dans le même sens 

que celle de la précision globale : la suppression des classes sols nus et autre 

végétation améliore cet indice de 6,6 points par rapport à l’indice portant sur 

la classification à 7 classes (pour les parcelles d’entraînement et de 5,3 points 

pour les parcelles test). 

• Comparaison de l’indice Kappa sur les parcelles d’entraînement et les 

parcelles test 

D’une manière générale, l’indice Kappa des parcelles test est inférieur à celui 

des parcelles d’entraînement. 





Cependant, les matrices de confusion et les indices tels que la précision 

globale et l’indice Kappa ne sont pas toujours proches pour les parcelles 

d’entraînement et pour les parcelles test (tableau ci-dessus et annexe 6). 

Il y a en effet près de 10 points de différence entre le Kappa des parcelles 

d’entraînement et celui des parcelles test pour la classification 7 classes à 

Troyes. Les parcelles test ne valident donc pas totalement les parcelles 

d’entraînement. Plusieurs hypothèses peuvent expliquer cela : 

- l’algorithme de classification utilisé n’est pas adapté à la scène de 

Troyes, 

- les parcelles test et les parcelles d’entraînement ne sont pas 

rigoureusement de même nature radiométrique que les parcelles test. 

2.2 Matrices de confusion et indicateurs associés à Toulouse 

8 matrices de confusion sont à comparer : 

• Toulouse corrigé 

- classification 3 canaux (RVB – figure 20) 

1. parcelles d’entraînement (tableau 13) 

2. parcelles test (annexe 8) 

- classification 4 canaux (RVBPIR – figure 21) 

3. parcelles d’entraînement (tableau 14) 


• Toulouse non corrigé 

- classification 3 canaux (RVB – annexe 5a) 

5. parcelles d’entraînement (annexe 9) 


- classification 4 canaux (RVBPIR – annexe 5b) 

7. parcelles d’entraînement (annexe 9) 




Classification grossière par radiométrie et texture Stage au laboratoire MATIS – IGN 

2.2.1 Trois canaux : RVB 


Classification RVB de l’image de Toulouse corrigé 

Bâti Bitume Bois Broussailles Carrières 

Champs 

cultivés 

et prairies 

Eau 

Haies 

Sable 

humide 

Terres 

arables 

Vergers Vignes Fond Nb pixels ECi 

Erreur 

de déficit 

Bâti 5 232 1 291 61 634 100 38 1 581 34 7 459 30 0 8 468 61,8 38,2 

Bitume 421 4 323 2 11 736 3 1 5 75 4 39 1 0 5 621 76,9 23,1 

Bois 1 515 1 79 759 22 420 35 245 1 1 313 0 1 291 219 297 0 107 096 74,5 25,5 

Broussailles 93 42 374 34 352 50 652 0 40 0 221 179 138 0 36 141 95,0 5,0 

Carrières 173 42 1 4 7 205 7 0 113 42 12 8 1 0 7 608 94,7 5,3 

Champs cultivés 


44 29 7 14 492 46 63 353 1 328 61 0 2 084 12 223 1 009 0 94 676 66,9 33,1 

Eau 197 91 1 617 1 489 22 5 462 70 514 500 1 3 46 1 0 79 943 88,2 11,8 

Haies 19 0 139 440 61 36 0 97 0 89 409 33 0 1 323 7,3 92,7 

Sable humide 3 216 0 0 5 0 0 0 783 0 0 0 0 1 007 77,8 22,2 

Terres arables 304 7 7 689 3 867 844 1 255 0 5 864 0 63 600 8 395 9 421 0 101 246 62,8 37,2 

Vergers 11 4 186 2 312 39 1 523 2 132 0 61 15 827 629 0 20 726 76,4 23,6 

Vignes 4 1 22 2 281 0 107 0 1 0 44 709 12 493 0 15 662 79,8 20,2 

Fond 0 0 0 0 0 0 0 0 0 0 0 0 8 980 8 980 100,0 0,0 

Nb pixels 8 016 6 047 89 857 82 302 9 143 72 681 71 847 8 707 935 67 416 38 513 24 053 8 980 488 497 

EOi 65,3 71,5 88,8 41,7 78,8 87,2 98,1 1,1 83,7 94,3 41,1 51,9 100,0 

Erreur 

d'excédent 

34,7 28,5 11,2 58,3 21,2 12,8 1,9 98,9 16,3 5,7 58,9 48,1 0,0 




2.2.2 Quatre canaux : RVB PIR 


Classification RVBPIR de l’image de Toulouse corrigé 


Champs 

cultivés 


Eau 

Haies 

Sable 

humide 

Terres 

arables 


Erreur 

de déficit 

Bâti 5 191 459 70 943 837 143 0 98 161 18 511 37 0 8 468 61,3 38,7 

Bitume 308 4 511 4 42 577 46 0 29 67 0 33 4 0 5 621 80,3 19,7 

Bois 1 436 16 78 962 22 264 2 463 0 2 882 0 152 558 359 2 107 096 73,7 26,3 

Broussailles 133 14 563 34 073 0 735 0 195 0 9 57 362 0 36 141 94,3 5,7 

Carrières 187 81 6 14 6 879 45 7 20 268 13 87 1 0 7 608 90,4 9,6 



81 7 32 168 1 76 558 0 47 0 2 243 14 536 1 003 0 94 676 80,9 19,1 

Eau 25 21 1 540 0 341 1 77 945 41 7 4 17 1 0 79 943 97,5 2,5 

Haies 22 1 153 186 0 14 0 204 0 300 430 13 0 1 323 15,4 84,6 

Sable humide 4 1 0 0 109 0 0 0 893 0 0 0 0 1 007 88,7 11,3 

Terres arables 820 2 7 208 1 2 356 5 115 0 376 0 78 267 3 043 4 058 0 101 246 77,3 22,7 

Vergers 61 28 312 2 870 9 2 216 1 164 0 531 14 492 42 0 20 726 69,9 30,1 

Vignes 4 2 68 282 1 76 0 29 0 65 980 14 155 0 15 662 90,4 9,6 

Fond 0 0 0 0 0 0 0 0 0 0 0 0 8 980 8 980 100,0 0,0 

Nb pixels 8 272 5 143 88 918 60 843 11 112 85 412 77 953 4 085 1 396 81 602 34 744 20 035 8 982 488 497 

EOi 62,8 87,7 88,8 56,0 61,9 89,6 100,0 5,0 64,0 95,9 41,7 70,7 100,0 

Erreur 

d'excédent 

37,2 12,3 11,2 44,0 38,1 10,4 0,0 95,0 36,0 4,1 58,3 29,3 0,0 





On peut constater une amélioration des classifications de Toulouse 

corrigé grâce à l’apport du canal PIR. 

En effet, sur les parcelles d’entraînement, les ECi et les EOi sont meilleures 

avec le canal PIR (tableau 14) que sans (tableau 13). Le tableau 15 montre 

qualitativement et quantitativement cette amélioration, qui est n’est cependant pas 

de la même intensité pour toutes les classes. Les classes qui connaissent la plus 

forte amélioration, grâce à l’apport du canal PIR, sont des classes qui intéressent 

particulièrement la problématique IGN de la cartographie et de la détection semiautomatique 

des trames de végétation (vertes et blanches), à savoir : 

- les champs cultivés et prairies 

- les terres arables 

- les vignes 

Tableau 15 : Classes améliorées grâce à l’apport du canal PIR 

ECi 

EOi 

(parcelles d’entraînement) 26 

Grosse amélioration 

(de 10 à 19 %) 

Amélioration moyenne 

(de 0 à 10 %) 

- Champs cultivés et prairies 

(14) 

- Bitume (3,4) 

- Sable humide (10,9) - Eau (9,3) 

- Terres arables (14,5) - Haies (8,1) 

- Vignes (10,6) 


(2,4) 

- Bitume (16,2) 

- Eau (1,9) 

- Broussailles (14,3) 

- Haies (3,9) 

- Vignes (18,8) 

- Terres arables (1,6) 

- Vergers (0,6) 

Pas d’amélioration 

- Bâti (-0,5) 

- Bois (-0,8) 

- Broussailles (-0,7) 

- Carrières (-4,3) 

- Vergers (-6,5) 

- Bâti (-2,5) 

- Bois (0) 


- Sable humide (-20) 

Cependant, le canal PIR n’apporte pas d’amélioration pour la détection de 

classes telles que les bois (sous-estimation) et les broussailles (surestimation), pour 

la série d’images de Toulouse. 

De même, sur les images de Toulouse non corrigé, on constate une telle 

amélioration, amplifiée et sur des classes différentes (voir annexe 9). 

78



2.2.3 Suppression de la classe haies 

Comme à Troyes, on peut envisager la suppression de classes, lorsqu’elles 

apparaissent comme totalement mal prises en compte par le classifieur. 

Si l’on regarde les matrices de confusion à Toulouse, on voit que la classe 

haies n’est jamais bien classée, ou aussi la classe sable humide, pour les matrices 

de confusion des parcelles test. De plus, visuellement, les haies sont délimitées sur 

la carte comme des parcelles quasiment rectangulaires (surtout sur la figure 20) et 

non rectilignes. 

Deux classifications RVB et RVB PIR sans la classe haies sont faites (annexe 

10), en supprimant les parcelles haies, pour voir si ces classifications sont de 

meilleure qualité par rapport aux classifications avec la classe haies. 

Il n’en résulte aucune amélioration intéressante pour les autres classes, ni 

au niveau des parcelles d’entraînement, ni au niveau des parcelles test, qu’il 

s’agisse des images de Toulouse corrigé ou des images de Toulouse non corrigé. 

2.2.4 Indice Kappa et précision globale 

Tableau 16 : Comparaison des indices de précision globale et totale (indice Kappa) 

sur les 8 matrices de Toulouse 

RVB 

RVBPIR 

Toulouse Corrigé 

Toulouse non corrigé 

Entraînement 71 74,5 72,8 76 

Test 73,6 77,7 69,8 74 

Entraînement 79 81,7 84,9 86,8 

Test 84,5 87 84,2 86,4 

En noir : indice Kappa 

En vert : précision globale (sans la classe fond) 27 

• Différences Toulouse corrigé / Toulouse non corrigé 

La correction radiométrique par égalisation (figure 5), des images de Toulouse 

(voir 1 ère partie), n’améliore pas la classification dans son ensemble, puisque les 

indices Kappa et la précision globale sont inférieurs sur les images de Toulouse 

26 Entre () : % d’amélioration, calculé en soustrayant la valeur PIRRVB (tableau 14) – RVB (tableau 13). 

27 Les parcelles qui appartiennent à la classe fond sont assez petites sur les images de Toulouse 

(quelque milliers de pixels) alors qu’elles étaient assez grandes sur les images de Troyes (quelques 

centaines de milliers de pixels), l’incidence positive de la classe fond sur le calcul de ces indices est 

beaucoup moins grand, donc, les indices Kappa peuvent être pris sans précaution. 

79



corrigé, pour les parcelles d’entraînement, mais pas pour les parcelles test 

(tableau 16). 

En revanche, une amélioration peut être constatée localement, pour 

certaines classes, lorsque l’on compare les matrices de confusions (tableau 13 et 

tableau 1 de l’annexe 8 en classification RVB) : les EOi et les ECi sont améliorées 

pour les mêmes classes à peu près, de quelques points : 

- pour les EOi, amélioration au niveau des classes bois, broussailles, carrières, 

sable humide, terres arables, 

- pour les ECi, amélioration au niveau des classes bâti, bois, broussailles, 

carrières, vergers. 

Par contre, pour les matrices des classifications 4 canaux RVBPIR 

(comparaison du tableau 14 et du tableau 2 en annexe 8), aucune classe n’a 

amélioré son ECi avant et après la correction radiométrique. Pour l’EOi, on peut 

nuancer ce propos puisque quelques classes se sont améliorées de quelques petits 

points : bitume, champs cultivés et prairies, eau. 

• Différences parcelles d’entraînement / parcelles test 

Les parcelles d’entraînement, avec ou sans correction radiométrique, ont 

toujours des valeurs de précision inférieures à celles des parcelles test. 

3 Conclusion de la 3 ème partie 

Globalement, les cartographies faites à l’aide des canaux RVB à Troyes sont 

correctes du point de vue technique : précision globale et indice Kappa sont 

supérieurs à 80%. A Toulouse, il faut cependant intégrer le canal PIR pour atteindre 

un tel pourcentage. 

Il est difficile de comparer les résultats obtenus à Troyes et à Toulouse car : 

- les données proviennent de caméras différentes, 

- elles ont été acquises à des saisons opposées, 

- les images représentent des scènes différentes, beaucoup plus complexe à 

Toulouse par la nature et la diversité de l’occupation du sol. 

80



Néanmoins, qu’il s’agisse de la scène de Troyes ou de la scène de Toulouse, 

certaines classes ne sont pas bien prises en compte par le classifieur car : 

- elles ne sont pas bien délimitées cartographiquement (elles sont sous-estimées 

ou surestimées), 

- à Toulouse, certaines classes minérales et classes végétales se confondent 

(bâti/bitume/carrières/sable humide d’un côté ; bois/broussailles/haies de 

l’autre ou vignes/terres arables/champs cultivés et prairies), 

Les solutions choisies pour diminuer ces problèmes de qualité de 

classification (abandon des classes autre végétation ou sols nus à Troyes, haies à 

Toulouse) n’ont pas aboutis à une amélioration concluante des classification, c’est 

pourquoi l’intégration de nouveaux canaux s’avère nécessaire, pour la détection 

de certaines classes. 

81




Le choix des nouveaux canaux de classification 

La grande diversité des canaux à disposition devrait permettre de résoudre 

les problèmes rencontrés pour la détermination de certaines classes (vergers pour la 

série d’images à Troyes ; haies, carrières, … pour la série d’images à Toulouse). 

Le but dans cette partie est de trouver les meilleures combinaisons de 

canaux pour faire les meilleures classifications et donc, la cartographie la plus 

optimale. 

Pour ce faire, cette partie s’articule en 4 points : 

1) Présentation des nouveaux canaux et explication de leur acquisition, 

2) Détermination des critères pour choisir les canaux qui semblent les plus 

intéressants (ACP, Histogrammes, Classifications 1 canal), 

3) Classifications avec ces nouveaux canaux et estimation de la qualité de ces 

nouvelles classifications à l’aide des mêmes outils que dans la partie précédente 

(matrice de confusion et indice de qualité), 

4) Mise en relief de l’intérêt de certains canaux par rapport à d’autres. 

82



1. Présentation des canaux 

Une soixantaine de canaux ont été calculés sur les images de Troyes et de 

Toulouse à partir des canaux d’origine (RVB pour les images de Troyes, RVB et PIR 

pour les images de Toulouse) par Roger Triaz Sanz, mon tuteur de stage. Ces 

canaux sont présentés en détail en annexe 11. 

Ces nouveaux canaux peuvent être découpés en 3 grand groupes : 

- les canaux de texture, segmentés par régions (14 à Toulouse, 13 à Troyes), 

- les canaux de texture, segmentés pixels à pixels (17 à Toulouse, 20 à Troyes), 

- les canaux calculés dans un espace de couleur dérivé (31 à Toulouse, 27 à 

Troyes). 

De plus, sur les images de Toulouse, possédant le canal PIR, des canaux 

dérivé du PIR sont calculés : Indice NDVI, Water Index, TGDVI, … 

1.1Qu’est ce que la texture ? 

La texture est considérée comme une caractéristique intrinsèque importante 

de la surface d’une objet ou des régions d’une image ; il apparaît facile de 

comprendre le concept de texture, mais il est très difficile d’en donner une définition 

mathématique précise [YUM, 95]. Elle se décrit dans des terme tels que la rugosité, 

le contraste, la finesse, la régularité, … [COQ, 95]. Elle correspond donc à 

l’arrangement et la fréquence des variations de teinte dans des régions particulières 

d’une image. 

Pour [GIR, 99], il s’agit d’un ensemble défini en extension des éléments 

texturaux. Un élément textural est l’ensemble des éléments de résolution (dont l’aire 

est définie par les caractéristiques du capteur) qui ont la même luminance (dimension 

spectrale) et qui sont connexes (dimension spatiale). Un élément texturale est, 

pour une image géographique numérique, l’ensemble des pixels connexes 

ayant la même valeur radiométrique (ou la même valeur de compte numérique). 

Elle ne doit pas être confondue avec la structure, qui correspond à un ensemble 

d’éléments structuraux, c’est à dire des éléments définis par des relations répétées 

83



qui existent entre les éléments texturaux (exemples de relations : positions relatives 

entre éléments texturaux de même forme ou de forme différente, distances entre les 

éléments texturaux, …). 

Les canaux texturaux sont séparés en deux groupes : 

- les canaux pixellaires, où la texture a été calculée pixels à pixels, 

- les canaux de régions, où la texture a été calculée après segmentation par 

région. 

Des canaux de texture pourraient s’avérer particulièrement intéressants : les 

canaux d’entropie (canaux comprenant l’appellation _ent – annexe 11). L’entropie 

locale est un indice d’hétérogénéité locale et mesure la complexité d’une image. Elle 

mesure le désordre. Sa formule est donnée en annexe 11. 

1.2 Qu’est ce que l’espace de couleur dérivé 

Au système de couleur classique RVB s’ajoutent les systèmes : 

- L*a*b* 

- XYZ 

- Teinte/ saturation /intensité (voir annexe 11) 

De tels systèmes permettent de créer des couleurs dans un espace subjectif 

différent et font ainsi apparaître de nouvelles informations sur les images. Les 

distances entre couleurs calculées sur ces espaces ont plus à voir avec les 

différences subjectives entre les couleurs que les distances RVB. 

2. Méthode de choix des canaux 

Le choix des canaux pour cartographier une région est un problème difficile 

qui demande de la rigueur. Ce choix dépend de la nature de l’image, de la 

problématique et de la méthode employée pour répondre à cette problématique 

[COQ, 95]. 

84



Si une classification est directement faite avec les 60 canaux, les temps de 

calcul peuvent être très longs (plusieurs heures), pour un résultats très médiocre 

(précision globale de l’ordre de 10% environ pour les 3 séries d’images). C’est 

pourquoi, il est nécessaire de s’astreindre à choisir les canaux judicieusement. Pour 

ce faire, 3 méthodes de choix sont proposées ici : 

- faire des ACP à l’aide de MultiSpec, 

- sélectionner les canaux qui offrent le moins de recouvrement possible à l’aide 

d’un logiciel statistique interne au MATIS, 

- faire des classifications 1 canal pour voir quels canaux offrent les meilleurs 

indices (précisions globale et totale). 

2.1 ACP (Analyse en Composantes Principales) 

Une ACP est une méthode de statistiques multivariées, descriptive, 

permettant de représenter un maximum d’informations contenues dans un tableau 

de données initial très important. Si l’on considère : 

- que le tableau de données initial est composé des matrices n lignes * n colonnes 

des 60 canaux et 

- que les données correspondent aux valeurs numériques des pixels dans chaque 

canaux, 

alors, on obtient de l’information très importante, difficilement exploitable. L’ACP a 

pour but de résumer et de hiérarchiser cette information, qui est contenue 

dans des composantes principales 28 . 

L’ACP est utilisée en télédétection pour trouver des nouvelles informations 

(valeurs propres et vecteurs propres), indépendantes. En effet, les 60 canaux 

présentent une information plus ou moins corrélée, qu’il est possible de décorréler 

grâce à l’ACP. Or, pour faire de bonnes classifications, il n’est pas nécessaire 

d’utiliser des canaux apportant une information redondante. 

Il y a autant de composantes principales que de canaux. La part 

d’information contenue dans les composantes principales diminue rapidement (voir 

tableau 17 des valeurs propres). 

28 Egalement appelées facteurs. 

85



MultiSpec est capable de calculer des ACP sur des images multispectrales et 

d’extraire l’information la plus importante contenue dans le tableau de données. En 

sortie, on obtient un tableau de valeurs propres et un tableau de vecteurs propres. 

Les valeurs propres 29 expriment la part d’information contenue dans les 

composantes principales. Les vecteurs propres donnent la contribution des canaux 

à la formation des composantes principales et peuvent être considérés comme les 

coordonnées des canaux sur les composantes principales. 

2.1.1 Valeurs propres et vecteurs propres à Troyes 

Les valeurs propres à Troyes se trouvent sur le tableau 17. On voit que les 

quatre premières composantes principales résument à elles seules plus de la moitié 

de l’information contenue dans le tableau de données initial : le % d’inertie est de 

84,94% à Troyes (voir sorties de l’ACP en annexe 12). 

Tableau 17 : Valeurs propres des quatre 1 ères composantes principales, à Troyes 

Composantes Principales Valeurs propres % % cumulé 

CP1 39,12 65,19 65,19 

CP2 6,59 10,96 76,15 

CP3 3,34 5,57 81,72 

CP4 1,93 3,22 84,94 

Les vecteurs propres vont de –1 à 1. On peut opposer les canaux ayant un 

vecteur propre fortement positif et les canaux ayant un vecteur propre fortement 

négatif dans un plans factoriel, 

- sur les composantes 1 et 2, 

- sur les composantes 3 et 4. 

Seules les 4 premières composantes sont représentées ici dans deux plans 

factoriels (figure 27 et figure 1 de l’annexe 12) puisque leur valeur propre cumulée 

(c’est à dire la part d’information contenue dans chaque composante) représente 

près de 85% de l’information totale dégagée par l’ACP, Troyes. 

29 Il s’agit de la variance exprimée par la composante principale. Elle est également appelée inertie. 

86



Axe 2 - Inertie : 11% 

0,4 

21 

7 

0,3 

15 

19 

3 

4 

0,2 

0,1 

39 

0 

12 

6 

-0,1 

-0,2 

18 

-0,3 

60 

-0,4 

-0,5 -0,4 -0,3 -0,2 -0,1 0 0,1 0,2 

Axe 1 - Inertie : 65 % 

Les numéros en gras correspondent au numéro de canaux 

Figure 27 : Plan factoriel 1-2 à Troyes. 

(vecteurs propres des 60 canaux sur la première et la deuxième composantes 

principales) 

Ainsi, à Troyes, sur la 1 ère composante principale (figure 27 et tableau 7, 

annexe 12), on voit que les canaux radiométriques 30 (canaux satint (56), bleu (1), 

value (58), kl1 (14), ciez (11)), aux coordonnées fortement positives, s’opposent aux 

canaux de texture (canaux pix_soh_m (39), pix_fractal (31), reg_fractal (48), 

reg_ent_e (47), pix_gabor_f (33)) aux coordonnées fortement négatives. Cela veut 

dire que, si l’on envisage une classification, la part d’information contenue dans 

les canaux de radiométrie est différente de la part d’information contenue 

dans les canaux de texture. 

Sur la composante principale2, les canaux de couleur à dominante claire 

(wi (60), log_gs (18), kl3 (16), ciev (8)) s’opposent aux canaux de couleur à 

dominante foncée (cieu (7), log_rs (21), chroma_rg (3), log_rg (19), ciea (4)). 

Il est moins utile de s’intéresser au plan factoriel 3-4 (figure 1 annexe 12) car 

ces composantes principales commencent à contenir de moins en moins 

d’information et finissent par se ressembler : on voit qu’il s’agit quasiment des 

mêmes canaux qui ont participé à la formation de ces axes (tableaux 7, annexe 12). 

30 Les numéros sur la figure 27 correspondent aux numéros de canaux qu’on peut retrouver en 

annexe 12. 

87



Pour conclure sur l’ACP de Troyes, on voit que les canaux qui dominent sont 

les canaux de couleur, mais pas les canaux de radiométrie classique (RVB), plutôt 

les canaux calculés dans autre espace de couleur tels que le canal 56 (Satint) ou le 

canal 18 (Log_gs). Cependant il ne faut pas négliger l’importance du canal 1 (Bleu) 

dans la formation de la composante principale1. 

2.1.2 Valeurs propres et vecteurs propres à Toulouse 

Les valeurs propres de Toulouse non corrigé et corrigé se trouvent en annexe 

12. Le % d’inertie est de 55,5% à Toulouse corrigé (tableau 2, annexe 12) et de 

63,01% à Toulouse non corrigé (tableau 3, annexe 12), pour les quatre 1 ères 

composante principale, soit une inertie moins importante qu’à Troyes. 

Les résultats de l’ACP sont différents sur les canaux de Toulouse corrigé et 

sur ceux de Toulouse non corrigé : 

• A Toulouse corrigé (tableau et axes factoriels annexe 12) 

On constate une dominance des canaux de couleur, dont le canal rouge (39), 

pour la formation de la 1 ère composante principale, mais aussi des canaux ciex 

(9) et ciey (10) qui s’opposent aux canaux log_bg (17), chroma_bg (2) et vert (12) . 

La 2 ème composante principale oppose des canaux de couleur aux canaux de 

texture, indifféremment des canaux pix_* (pix_ent_e (25), pix_ent_c (24)) et reg_* 

(reg_ent_c (43) reg_ent_e (44) et reg_fractal (45)), mais surtout des canaux 

d’entropie. 

• A Toulouse non corrigé (tableau et axes factoriels, annexe 12) 

Dès la 1 ère composante principale s’opposent les canaux de couleur (satint (53), 

bleu (1), ciez (11)) aux vecteurs propres positifs, aux canaux de texture-région 

(reg_fractal (45), reg_ent_c (44), reg_soh_v (51)) aux vecteurs propres négatifs. 

Au niveau de la composante principale2, on constate une opposition entre 

canaux de couleur. 

Grâce à l’ACP, on peut donc voir quel canaux s’opposent : on peut ainsi 

envisager des classifications qui utiliseraient les canaux aux vecteurs propres les 

plus forts. 

88



2.2 Histogrammes de fréquence 

Les différents canaux ont une chacun leur distribution propre. 

On peut la visualiser pour chaque classes ou pour chaque parcelles 

d’entraînement (ou test) sur un logiciel de visualisation d’histogramme, développé 

au MATIS. L’avantage de ce logiciel, c’est que l’on peut faire des visualisations en 3 

dimensions, c’est à dire faire des comparaisons avec 3 canaux en même temps. 

Pour chacune des 2 séries de canaux, Troyes et Toulouse 31 , il faut d’abord 

regarder la distribution à une dimension et voir quel est le comportement des 

classes sur ce canal (existe-il de nombreux recouvrements entre les classes ? Ce 

canal propose-t-il une distinction spécifique pour telle ou telle classe ? …). Ensuite 

on peut envisager de faire une visualisation d’histogrammes à 2 ou 3 dimensions. 

La distribution des canaux est donnée en annexe 13 pour Troyes et Toulouse. Elle a 

été faite visuellement et n’a pas été faite en testant la distribution. Elle n’est donnée 

que pour les canaux de Toulouse non corrigé, sachant que la distribution est la 

même pour les canaux des 3 séries d’images. 

Il serait intéressant d’envisager de faire des combinaisons, en vue des 

classifications, de canaux qui ont une distribution très différentes : 

- distribution normale ou gaussienne, 

- distribution bimodale, 

- distribution dissymétrique à gauche, 

- distribution dissymétrique à droite, 

- distribution indéterminée, 

- distribution trimodale, 

afin de minimiser les recouvrements interclasses. 

On constate qu’il n’y a pas de canaux présentant une distribution 

dissymétrique à droite à Troyes, sans doute car la réponse à la lumière est linéaire 

chez les images numériques (figure 2). 

31 Les canaux présentent la même distribution à Toulouse corrigé et à Toulouse non corrigé. 

89



2.3 Classifications sur 1 canal 

Les classifications faites sur un seul canal sont intéressantes car on peut 

penser que les canaux qui offrent une précision globale et un indice kappa élevés, 

sont privilégiés pour les meilleures combinaisons recherchées. 

Des classifications à 1 canal sont donc faites avec MultiSpec, en gardant le 

même algorithme de classification, pour chacun des 60 canaux de Troyes et chacun 

des 62 canaux de Toulouse corrigé et Toulouse non corrigé. 

Les indices Kappa des parcelles test et des parcelles d’entraînement ainsi que 

la moyenne des 2 se trouvent en annexe 14. Il en ressort que les Kappas moyens 

sont beaucoup plus forts sur les images de Troyes que sur les images de 

Toulouse (corrigé et non corrigé confondues), indifféremment du canal (de couleur 

ou de texture). 

3. Les meilleures classifications 

De nombreux essais de classifications ont été faits. Elles ne sont cependant 

pas toutes présentées ici. De même, les annexes ne contiennent pas toutes les 

matrices de confusion de toutes les classifications, seulement les plus 

intéressantes. 

Les canaux recherchés doivent donc en théorie présenter : 

- une contribution importante à la formation des composantes principales, 

- des distributions différentes, 

- des classification 1 canal nettement supérieures à la moyenne. 

Après investigation, il se trouve que plusieurs classifications se sont avérées 

intéressantes avec ces nouveaux canaux, pour détecter les classes recherchées. 

Cependant, les mêmes combinaisons ne fonctionnent pas à Troyes et à Toulouse. 

90



3.1 A Troyes 

3.1.1 Les meilleurs canaux à Troyes 

La combinaison des canaux 6 (ciel), 9 (ciex), 10 (ciey), 15 (kl2), 29 

(pix_ent_lg_d), 31 (pix_fractal), 35 (pix_lbp_riu2f), 37 (pix_lbp_var), 46 (reg_ent_c) et 

54 (reg_soh_v) est intéressante car elle offre une meilleure précision globale et un 

meilleur indice kappa, sur les parcelles d’entraînement, que la classification RVB 

(tableau 18 et annexes 15 et 16). Ces 10 canaux ont été sélectionné pour leurs 

distributions différenciées (kl2 et pix_fractal ont une distribution normale ; ciex et 

ciey ont une distribution trimodale ; ciel a une distribution bimodale ; pix_ent_lg_d 

et pix_lbp_riu2f ont une distribution dissymétrique à gauche ; reg_ent_c et 

reg_soh_v ont une distribution indéterminée), pour leur indice de précision élevé 

par rapport à la moyenne sur les classification 1 canal et pour leur 

contribution à la formation des composantes principales. 

Les ECi des 7 classes sont bonnes sur les parcelles d’entraînement 

(supérieures à 90 % sauf pour les terres arables) mais les EOi montrent toujours 

des erreurs pour cartographier les classes qui posaient problème avec les 

classifications radiométriques classiques : autre végétation, sols nus et vergers, plus 

particulièrement au niveau des parcelles d’entraînement. Cette fois-ci on peut en 

plus ajouter la classe bitume. 

On a cependant une amélioration au niveau de la détection des vergers 

(+20% pour les ECi des parcelles d’entraînement et +25% des parcelles test). 

On peut noter une amélioration de la délimitation de la classe bois (ECi de 

98,2% et EOi de 99,7% pour les parcelles d’entraînement) par rapport à la 

classification RVB. 

L’ajout d’un canal de texture à la classification classique RVB (par exemple 

un canal calculé en dimension fractale ou un canal d’entropie), peut améliorer 

les résultats enregistrés sur la matrice de confusion. On peut par exemple améliorer 

les indices généraux de types précision globale et indice Kappa sur les parcelles 

d’entraînement mais assez difficilement sur les parcelles test (tableau 18). De plus, 

le problème des classes telles que les vergers n’est pas résolus ainsi. Cependant, si 

on élimine le canal rouge, on obtient une classification intéressante du point de 

vue des parcelles test : les canaux 1 (bleu), 12 (vert), 31 (pix_fractal) et 48 

91



(reg_fractal) présentent des distributions différenciées (normale pour le canal 

pix_fractal ; bimodale pour le canal bleu ; trimodale pour le canal vert ; 

indeterminée pour le canal reg_fractal), une forte participation à la formation de la 

composante principale1 (sauf le canal vert) et des classifications moyennes sur 1 

canal assez bonnes. Leur combinaison offrent une qualité de classification et une 

cartographie très intéressantes (figure 28, tableau 19). 

Tableau 18 : Indices de précision sur les nouvelles classifications sur les images de 

Troyes. Ajout de canaux de texture 

Précision Globale 

Parcelles 

Parcelles test 


Parcelles 


Indice Kappa 

Parcelles test 

Classification RVB (rappel) 83,5 75,2 85,6 76,6 

Classification 10 canaux 

6,9,10,15,29,31,35,37,46,54* 

Classification 1,12,42, 48 : 

RVB et 

Reg_fractal 

Classification 1,12,31,42 : RVB 

et Pix_fracal 

Classification 1,12,31,42,48 : 

RVB et 

Pix_fracal et Reg_fractal* 

Classification 1,12,31,47 : VB 

et Pix_fracal et Reg_ent_e 

(pas le canal rouge)* 

Classification 1,12,31,47,48 : 

VB et Pix_fractal et Reg_ent_e 

et Reg_fractal 

(pas le canal rouge) 

Classification 1,12,31,48 : VB 

et Pix_fractal et Reg_fractal 

(pas le canal rouge)* 

87,9 73,1 89,2 75,7 

90,5 69,5 91,6 71,4 

86,5 74,6 88,2 75,9 

93,5 73,4 94,3 74.9 

67,7 79,8 72,5 80,5 

87 80 88,5 80,7 

86,4 81,6 88 82,2 

En gras, les indices améliorés par rapport à la classification RVB. 

En marron, les meilleures classifications 

Les classification suivies d’une* ont leurs matrices de confusion en annexe 

Lorsqu’on ajoute un canal de texture à la classification RVB, on peut 

améliorer la précision globale et l’indice Kappa de 5% sur les parcelles 

d’entraînement, mais pas sur les parcelles test (classification RVB et pix_fractal 

92



ou RVB et reg_fractal). En revanche, lorsqu’on ajoute un canal de couleur à la 

classification RVB, aucune amélioration n’est constatée. 

Lorsqu’on ajoute 2 canaux de texture (un canal pixellaire et un canal de 

région) à la classification RBV on peut améliorer la précision globale et l’indice 

Kappa de 10% sur les parcelles d’entraînement, mais pas sur les parcelles test 

(classification RVB et pix_fractal et reg_fractal), au contraire même. La différence 

parcelles test/parcelles d’entraînement atteint son paroxysme avec la classification 

RVB+reg_fractal), où la différence des indices kappa est de 20%. 

Lorsqu’on trouve un canal qui améliore la classification des parcelles test 

(reg_ent_e) ou lorsqu’on supprime un canal qui la fait baisser (canal rouge), on 

cherche de bonnes combinaisons qui permettent d’améliorer les indices : c’est le cas 

de la classification Bleu+Vert+Pix_fractal+Reg_fractal (figure 29). 

La classification qui apparaît comme la meilleure à Troyes est donc celle 

issue des canaux Bleu+Vert+Pix_fractal+Reg_fractal, dont sont présentés les 

matrices de confusion et la cartographie. 

3.1.2 La meilleure classification trouvée à Troyes 

3.1.2.1 Cartographie 

Visuellement, on constate, sur la figure 29, un bon découpage des classes 

bois et bitume. Les quelques champs très verts foncé sur la composition colorée 

(figure 8), ne sont quasiment pas classés en tant que bois (sauf 1 encore, au centre 

de l’image). 

Les classes sols nus, vergers et autre végétation semblent elles aussi mieux 

cartographiées car elles ne sont pas aussi surestimée que pour la classification 

RVB (figure 19). Cependant, cette classification n’est pas parfaite : la classe autre 

végétation (clairières) n’est pas toujours strictement située à l’intérieur des bois et la 

classe vergers n’est pas toujours bien localisée. De plus, cette classification apparaît 

assez bruitée : 

- des pixels résiduels de bois ou de vergers sont visibles à l’intérieur de grandes 

parcelles champs cultivés et prairies ; 

- le découpage entre champs cultivés/terres arables n'est pas très propre. 

93



N 

0 500 m 

Figure 28 : Classification radiométrique et texturale sur l’image de Troyes (utilisation 

des canaux Bleu, Vert, Pix_fractal+Reg_fractal) 

94



3.1.2.2 Matrice de confusion des parcelles d’entraînement 

Tableau 19 : Matrice de confusion des parcelles d’entraînement de l’image 29 

Autre 

Végétation 

Bitume 

Bois 

Champs 

cultivé et 

prairies 

Sols 

nus 

Terres 

arables 

Vergers Nb pixels ECi 

Erreur de 

déficit 

Autre 

végétation 

667 1 88 6 1 6 32 801 83 17 

Bitume 1 1 849 1 20 15 2 40 1 928 95,9 4 

Bois 164 61 62 046 164 1 19 378 62 833 98,7 1 

Champs 

cultivés, 

3 158 198 1 422 129 600 466 4 729 2 641 142 214 91,1 9 

prairies 

Sols nus 26 288 0 7 3 449 63 19 3 852 89,5 10 

Terres 

Arables 

2 641 863 108 15 930 4 136 84 711 6 811 115 200 73,5 26 

Vergers 7 2 84 13 0 4 1717 1 827 94,0 6 

Nb pixels 6 664 3 262 63 749 145 740 8 068 89 534 11 638 500 199 

EOi 10,0 56,7 97,3 88,9 42,7 94,6 14,8 

Erreur 

d’excédent 

90,0 43,3 2,7 11,1 57,3 5,4 85,2 

La classification est meilleure que celle issue des canaux RVB au niveau des 

ECi, notamment celle des vergers : la confusion avec les champs cultivés et prairies 

a presque disparue (13 pixels résiduels ici contre 517 sur la classification RVB – 

tableau 8). 

Les classes les mieux cartographiées (EOi) sont les bois, les champs cultivés 

et prairies et les terres arables. Les autres classes ne sont pas spécifiquement bien 

cartographiées au contraire, les classes autre végétation, bitume, sols nus, … ont 

une erreur d’excédent plus importante avec cette classification qu’avec la 

classification RVB mais il s’agit des classes intéressants moins la problématique. 

3.1.2.3 Matrice de confusion des parcelles test 

Les classes les mieux cartographiées (EOi) sont les bois, les sols nus et les 

terres arables. Les autres classes ne sont pas spécifiquement mieux cartographiées 

qu’avec la classification RVB : il n’y a aucune amélioration en ce qui concerne la 

classe autre végétation, puisqu’elle n’est pas du tout détectée sur cette sur cette 

matrice. 

Il y a cependant une nette amélioration au niveau des vergers. Il est vrai que 

visuellement (figure 29), les vergers ne semblent pas surestimés. Il le sont 

statistiquement légèrement, mais beaucoup moins qu’avec la classification RVB car 

pour 2 041 pixels délimités en tant que vergers par l’utilisateur, 

95



- il y avait 8 294 pixels qui appartenaient à la classe vergers dans la classification 

RVB, soit 4 fois plus 

- il n’y en a plus que 3 789 sur cette classification, soit 1,8 fois plus. 

Quant à l’ECi de la classe champs cultivés et prairies de la classification RVB, 

elle présentait une grande confusion avec la classe terres arables, confusion qui a 

quasiment disparue avec l’apport des nouveaux canaux de texture. 

Tableau 20 : Matrice de confusion des parcelles d’entraînement de l’image 29 

Autre 

Végétation 

Bitume 

Bois 

Champs 


prairies 

Sols 

nus 

Terres 

arables Vergers Fond Nb pixels ECi Erreur de 

déficit 

Autre 

végétation 

0 0 0 17 0 1 43 0 61 0 100 

Bitume 1 669 3 1 7 8 6 0 695 96,3 4 

Bois 35 14 40 529 1 403 0 16 307 0 42 304 95,8 4 

Champs 

cultivés, 

3 173 77 3 956 95 875 18 8513 1125 0 112 737 85,0 15 

prairies 

Sols nus 0 1 2 1 5045 0 0 0 5 049 99,9 0 

Terres 

Arables 

414 194 484 22 491 49 52 585 1010 0 77 227 68,1 32 

Vergers 3 164 481 21 8 66 1 298 0 2 041 63,6 36 

Fond 0 0 0 0 0 0 0 94 828 94 828 100 0 

Nb pixels 3 626 1 119 45 455 119 809 5 127 61 189 3 789 94 828 334 942 

EOi 0,0 59,8 89,2 80,0 98,4 85,9 34,3 100 

Erreur 

d’excédent 

100,0 40,2 10,8 20,0 1,6 14,1 65,7 0,0 

3.2 A Toulouse (corrigé et non corrigé) 

Même si le comportement des 62 canaux n’est pas tout fait le même à 

Toulouse corrigé et Toulouse non corrigé, il a été décidé de regrouper les 

commentaires, les résultats des classifications avec les nouveaux canaux étant 

globalement les mêmes sur les deux séries d’images de Toulouse (voir tableau 21). 

3.2.1 Les canaux retenus 

Si on réutilise les canaux de Troyes, par exemple la classification Vert-Bleu- 

Pix_fractal-Reg_fractal, sur les classifications à 

Toulouse, elles sont assez 

mauvaises (indice Kappa de 76,7% pour les parcelles d’entraînement et de 54% 

pour les parcelles test ; précision globale de 79,6% pour les parcelles 

96



d’entraînement et de 59,6% pour les parcelles test, à Toulouse non corrigé), ce qui 

semble assez normal car : 

- ce ne sont pas les mêmes canaux qui ont participé à la formation des 

composantes principales de l’ACP, 

- les valeurs des classification à 1 canal sont beaucoup moins bonnes à Toulouse 

qu’à Troyes, 

- les canaux n’ont pas les mêmes distributions. 

Il faut donc rechercher des combinaisons de canaux différentes à 

Toulouse pour faire de bonnes classifications. 

La même constatation peut être faite qu’à Troyes : c’est essentiellement en 

intégrant un nouveau canal à la classification RVB PIR qu’on améliore la 

qualité des classifications. La prise en compte de nouveaux canaux, seuls, sans 

les canaux RVB et surtout PIR n’apporte pas d’amélioration dans la qualité des 


D’une manière générale, de nombreuses combinaisons de canaux offrant une 

meilleure qualité que la classification RVB, ont été trouvées. Elles ne sont pas du 

tout intéressantes car elles se sont avérées moins bonne que la classification 

RBVPIR. 

En outre, il est plus facile de trouver des améliorations à Toulouse non 

Corrigé qu’à Toulouse Corrigé (tableau 21) : aucune combinaison de canaux 

améliorant les indices des parcelles test n’a été trouvée sur les images de 

Toulouse corrigé. 

En revanche, les indices des parcelles d’entraînement peuvent être améliorés 

de 7,1 points en intégrant un canal de couleur et un canal d’entropie : les canaux 

ciea (calculé dans le système de couleur L*a*b*) et reg_ent_c (voir canaux en annexe 

11). La précision globale passe de 81,8 % de pixels bien classés sur la classification 

RVBPIR à 88,9% sur la classification bleu-ciea-reg_ent_c-PIR. 

97



Tableau 21 : Comparaison des indices de précision sur certaines classifications à 

Toulouse corrigé et à Toulouse non corrigé 

Toulouse Corrigé 

Toulouse Non Corrigé 

Indice Kappa Précision Globale Indice Kappa Précision Globale 

Test 

Test 

Test 

Entraînement 

Entraînement 

Entraînement 

Entraînement 

RVB (rappel) 71 73,6 74,6 77,7 72,8 69,8 76 74 

RVB PIR (rappel) 79 84,5 81,8 87 84,9 84,2 86,8 86,5 

Classification 10 canaux 

6,9,10,15,26,28,32,34,43,51 

80,8 72,8 82,3 77 82,1 76,7 84,4 80 

Ciea Reg_ent_c Ired Red 84,2 78,7 86,3 82 86,4 83,7 88,3 86,1 

Ciea Reg_ent_c Ired Green 86,3 79,8 88,2 83 86,3 85,1 88,2 87,4 

Ciea Reg_ent_c Ired Blue 87,1 82,2 88,9 85,1 87 84,4 88,7 86,7 

En gras, les indices améliorés par rapport à la classification RVB PIR. 

Test 

3.2.2 Exemple d’une bonne combinaison de canaux 

3.2.2.1 Cartographie 

La cartographie de cette combinaison de canaux (figure 29) semble ainsi 

meilleure que la cartographie RVBPIR (figure 21). 

N 

0 1km 

Figure 29 : Classification Radiométrique et texturale sur l’image de Toulouse corrigé 

(utilisation des canaux Bleu, Ciea, Reg_ent_c et PIR) 

98



Visuellement, les vignes et les vergers sont plus petits au bénéfice des 

champs cultivés et des terres arables. L’eau au niveau de la Garonne est mieux 

découpée que sur la classification RVBPIR. 

3.2.2.2 Matrices 

Si l’on compare la matrice de confusion de la classification RVB PIR (tableau 

14) et celle de la classification Bleu-Ciea-Reg_ent_c-PIR (annexe 17), on constate, 

pour les parcelles d’entraînement, des améliorations au niveau de presque toutes 

les classes : 

- pour les EOi, au niveau des classes bâti, bois, broussailles, champs cultivés et 

prairies, sable humide, terres arables, vergers et vignes, 

- pour les ECi, au niveau des classes bâti, bois, broussailles, champs cultivés et 

prairies, eau, haies, terres arables, vergers et vignes. 

4. Amélioration des classifications 

4.1 Comparaison avec les classifications radiométriques classiques 

Globalement, les canaux de texture apportent plus de précision dans la 

cartographie que les canaux calculés dans un espace de couleur dérivé, si on les 

ajoute au canaux radiométriques de base. 

En effet, l’intégration d’informations spectrales et texturales permet un grand 

potentiel pour les classifications. D’après [JAK, 02], une classification à la fois 

texturale et spectrale permet une augmentation de 10% des résultats, comparée à une 

classification standard, pixels à pixels. Or, c’est précisément la même augmentation 

qui a été obtenue sur les images de Troyes pour les parcelles d’entraînement 

(l’augmentation était de 5,6% pour les parcelles test), mais cette augmentation est 

légèrement inférieure à Toulouse corrigé (7,1%). 

99



4.2 Intérêt du canal PIR 

Ce canal est intéressant pour l’IGN pour la détection des zones d’eau et pour 

la détection des végétaux chlorophylliens [SOU, 03]. De plus, il est nécessaire dans 

le cadre du RGE. 

Pour voir son intérêt, des classifications 3 canaux sont faites, à partir de la 

visualisation des histogrammes en 3D. Les résultats sont, pour la plupart, 

médiocres ; cependant, lorsque l’on ajoute le canal PIR, les classifications 

s’améliorent nettement (tableau 22). 

Ces classifications ont été faites sur la série d’images de Toulouse non corrigé 

car il s’est avéré que les temps de calculs étaient près de 10 fois plus courts sur 

cette série, plutôt que sur la série Toulouse corrigé 32 . 

L’intérêt du canal Proche Infra Rouge est double : non seulement il améliore 

les classifications de 20% en moyenne (entre 30% et 0,5% sur l’ensemble des 16 

combinaisons essayées ici), mais aussi il tend à diminuer l’écart entre les 

résultats sur les pixels d’entraînement et les pixels test. 

Les classifications qui se sont le moins améliorées sont celles qui possédaient 

déjà le canal NDVI, qui contient de l’information du canal PIR, dont il est issu. 

32 En effet, une classification calculée dans MultiSpec sur la série Toulouse non corrigé met environ 1 

à 2 minutes. Sur la série de Toulouse corrigé, elle peut mettre 10 à 20 minutes. Je n’ai pas 

d’explication, d’autant que la série d’images de Toulouse non corrigé est plus grande (en nombre de 

pixels – tableau 2) que la série de Toulouse corrigé. 

100



Tableau 22 : Comparaison des indices Kappa des classifications avec ou sans le 

canal Proche InfraRouge, sur l’image de Toulouse Non Corrigé 

SANS PIR AVEC PIR 

CANAUX 

% Coefficient 

Kappa Kappa Kappa Kappa 

d'amélioratioteur 

Multiplica- 

T t T T 

Ciex satint kl3 72,2 65,9 80 83,1 18,1 1,18 

Pix_lbp_var red reg_ent_c 71,7 55,4 81,7 84,1 30,4 1,30 

Ciea kl2 sathue 61 57,4 71,3 78,2 26,3 1,26 

Log_gs ndvi pix_lbp_var 81 74,6 83,3 81,5 5,9 1,06 

Cieu kl1 reg_lbp_riu_2f 62,4 65,5 75,2 81,1 22,2 1,22 

Ciea ciel pix_fractal 61,3 57 82,9 78,5 36,4 1,36 

Blue chroma_rg reg_lbp_riu2f 62,6 57,6 73,5 81,4 28,9 1,29 

Chroma_bg ciea pix_fractal 64,8 55,5 69,2 69,9 15,6 1,16 

Pix_fractal reg_ent_c wi 72,7 63,3 74,2 76,3 10,7 1,11 

Log_bg red sathue 62,2 51,8 79 77,4 37,2 1,37 

Red ndvi reg_ent_c 82,6 77,1 81,2 79,3 0,5 1,01 

Croma_rg ciel red 68,3 59 79 81,5 26,1 1,26 

Ciel red reg_ent_c 76,6 68 82,5 83,1 14,5 1,15 

Chroma_bg cieu kl3 72,3 60,4 77,6 75,4 15,3 1,15 

Chroma_rg ciel red sathue 68,1 60 79,2 79,2 23,7 1,24 

Ciea log_gs wi 66,7 65,9 76,2 78 16,3 1,16 

Kappa T = indice Kappa sur les parcelles d’entraînement 

Kappa t = indice Kappa sur les parcelles test 

En gras : combinaison de canaux où le canal PIR améliore nettement la classification. 

Le pourcentage d’amélioration se calcule comme : 

[( KT 

A = 

PIR 

+ KtPIR) / 2] −[( 

KT + Kt) / 2] 

× 100 

[( KT + Kt) / 2] 

Avec : 

KT PIR : indice Kappa avec canal PIR sur les parcelles d’entraînement 

Kt PIR : indice Kappa avec canal PIR sur les parcelles test 

KT : indice Kappa sans canal PIR sur les parcelles d’entraînement 

Kt : indice Kappa sans canal PIR sur les parcelles test 

Le coefficient multiplicateur se calcule comme : 

C = A 

100 + 1 

101



5. Conclusion de la 4 ème partie 

Il a été difficile de trouver de bonnes associations avec les nouveaux canaux, 

en tout cas des associations améliorant sensiblement les classifications faites avec 

les canaux de base (voir 3 ème partie), qui étaient globalement bonnes. 

Les nouveaux canaux fonctionnent moins bien à Toulouse qu’à Troyes car les 

classes, plus nombreuses à Toulouse, possèdent beaucoup de recouvrements 

lorsqu’on regarde des combinaisons de fréquences à 3 dimensions. Cependant, il y 

a moins de différences parcelles test/parcelles d’entraînement à Toulouse qu’à 

Troyes. 

Il n’a pas été nécessaire d’intégrer une classe ombre aux images de Toulouse 

même si les ombres portées, liées à la date de prise de vue (en décembre, 

l’inclinaison du soleil est faible), influencent : 

- la radiométrie (les pixels sont plus sombres, ils ont donc une valeur numérique 

plus faible aussi) et 

- la géométrie, c’est à dire la texture [WAS, 01]. 

102



5 ème partie : Conclusion 

Limites, perspectives 

I. Conclusion 

I.1 La cartographie de l’occupation du sol 

La cartographie de l'occupation du sol réalisée par télédétection a ses 

avantages et ses limites. Il est reconnu aujourd'hui qu'un tel outil permet de 

cartographier en détail de grandes portions de territoire, comparativement à des 

méthodes plus traditionnelles comme l'interprétation de photographies aériennes et 

la caractérisation de la végétation à partir de relevés sur le terrain. Cependant, la 

télédétection amène aussi ses inconvénients en terme de coûts et de stockage : pour 

une couverture de la France entière au 1/25 000 ème , l’IGN a besoin de centaines de 

milliers de clichés. 

I.2 Les nouveaux canaux semblent nécessaires pour une bonne 

cartographie 

Les canaux radiométriques de base (bleu, vert et rouge) sont assez solides 

pour faire des classifications correctes. L’apport de nouveaux canaux, notamment le 

canal proche infrarouge et les canaux d’entropie, amènent cependant une précision 

dans les classifications. 

Cependant, il a été vu que ce ne sont pas le mêmes nouveaux canaux qui 

améliorent la cartographie des scènes de Troyes et de Toulouse, qui présentent des 

occupations du sol différentes. Il est donc fort possible de penser que des images, 

présentant un type d’occupation du sol autre que celui vu ici (paysage de 

montagne, milieu humide, milieu urbanisé, …), ou un contexte de résolution ou de 

103



conditions atmosphériques différentes, nécessiteraient l’intervention d’autres 

nouveaux canaux. 

On serait donc, dans ce cas, amené à faire une nouvelle investigation pour 

savoir quels canaux de texture et de couleur utiliser. 

Avec ce stage, je ne peux pas tirer de conclusions sur l’amélioration des 

classifications grâce à l’utilisation des caméras numériques par rapport aux 

caméras argentiques, dans la mesure où : 

- les dates de prises de vues étaient trop différentes (fin de printemps à Troyes et 

début d’hiver à Toulouse), 

- le type d’occupation du sol est très différent sur les 2 séries d’images. 

En revanche, je peux conclure que la correction radiométrique faite à 

Toulouse n’a pas améliorer les classifications (quand on compare les résultats de 

Toulouse corrigé et de Toulouse non corrigé), au contraire. Son intérêt ne 

semblerait donc que visuel. 

I.3 Intérêt du stage pour une étudiante en DESS SIG 

La problématique de ce stage était plus orientée pour un étudiant de DEA 

que de DESS puisque il a été effectué dans un laboratoire de recherche. Cependant, 

la recherche à l’IGN est tournée vers la recherche à but professionnel. 

Ce stage était une chance pour moi dans la mesure où intégrer un organisme 

aussi connu que l’IGN en matière d’information géographique, même pour quelques 

mois, m’a permis de découvrir son fonctionnement de l’intérieur. De nombreuses 

visites des ateliers, des imprimeries (figure 30), de la cartothèque et de la 

photothèque, des différentes équipes de travail (équipes « terrain » – nivellement, 

géodésie – et équipes « techniques » – BD parcellaire, personnel chargé de la 

vectorisation, …) ont eu lieu pour tous les stagiaires des laboratoires MATIS et 

COGIT. 

104



Figure 30 : L’imprimerie à l’IGN 

(Cliché : S. GIFFON, 2004) 

De plus, au cours de mon stage, j’ai été amenée à utiliser de nouveaux 

logiciels de traitement d’image (MultiSpec) et des fonctions basiques d’un logiciel 

SIG : Géoconcept. 

J’ai aussi acquis, grâce à ce stage, des connaissances sur des thématiques 

techniques telles que les caméras numériques, puisque la configuration des 

bâtiments dans les locaux de l’IGN, à Saint Mandé, fait que le LOEMI est le voisin 

du MATIS (bâtiment M, 2 ème étage). J’ai également appris sur les traitements faits 

au préalable pour la réalisation d’orthophotographies (traitement des hot-spot, 

balance des blancs, …) 

II. 

Problèmes et limites rencontrés lors du déroulement du stage 

et Limites des compétences 

II.1 Problèmes techniques 

1) Problèmes liés au manque de compétences informatiques et scientifiques 

Le stage que je fais à l’IGN est un stage d’informatique, plus qu’un stage de 

géomatique. Au début, j’ai eu des difficultés à m’intégrer au sein de l’équipe, non 

pas pour des problèmes humains, mais pour des problèmes de compétences 

techniques (mauvaise maîtrise des langages de programmation utilisés au 

105



laboratoire, notamment le langage C++). Cependant, mon stage a été réorienté 

de façon à éviter le développement d’algorithme de classification que je ne suis 

pas techniquement capable de faire. C’est pourquoi j’ai utilisé le logiciel 

MultiSpec. 

2) Les limites techniques de mon stage ont donc essentiellement porté sur les 

limites intrinsèques au logiciel MultiSpec : 

• La Version Windows est limitée par rapport à la version MacIntosh (sous laquelle 

le logiciel a été développé) et il n’existe pas de version Linux 33 . Ces limites sont 

cependant minimes puisqu’elles ne portent pas sur les algorithmes de 

classification eux-mêmes, mais sur certaines fonctions statistiques, qui ne me 

sont pas utiles pour mon stage 34 , ou que j’ai pu faire à l’aide d’autres outils. 

• Malgré des fonctionnalités intéressantes (possibilité de calculer la superficie en 

ha, ...), les fonctions suivantes n’existent pas dans MultiSpec, mais pourraient 

être utiles : 

- filtres (pour éliminer des pixels résiduels afin de rendre les images plus 

propres, tels que filtre médian, filtre mode, …), 

- masques (pour extraire une classe considérée comme bien délimitée, telle 

que les bois) 

- reclassement (pouvoir regrouper des classes radiométriques très différentes 

telles que les « champs cultivés » ou « terres arables », mais qu’on souhaite 

regrouper dans la même classe « zone agricole »). 

II.2 Perspectives : ce qu’il faudrait faire par la suite pour améliorer 

le stage 

• Compte tenu des problèmes qu’il y a eu sur les parcelles d’entraînement et les 

parcelles test (précisions globale et totale très différentes, surtout sur les images 

de Troyes et de Toulouse corrigé), il faudrait envisager d’intégrer un 3 ème 

groupe de parcelles, un groupe de parcelles témoins, qui serviraient à la 

validation des parcelles d’entraînement et des parcelles test. 

• Pour résoudre le problème de la classe autre végétation sur l’image de Troyes, 

outre le fait que cette classe ressemble radiométriquement et texturalement à 

33 Linux et Windows sont les 2 Systèmes d’Exploitation utilisés au laboratoire MATIS. 

106



une classe de champs cultivés et prairies, il faudrait envisager de faire une 

analyse contextuelle par exemple en disant au classifieur qu’une clairière se 

situe à l’intérieur d’un bois dans un périmètre de plus ou moins n unités 

spatiales. 

Cependant, il n’était pas nécessaire ici de faire une telle chose compte tenue de 

la problématique : la classe autre végétation, représentée par les clairières, 

n’existe pas dans la nomenclature IGN. De plus, une classe clairière peut être 

amenée à disparaître à plus ou moins long terme (la forêt peut repousser 

surtout dans les petites zones de chablis après une tempête par exemple. Mes 

connaissances du terrain ne me permettent que de faire de telles hypothèses). 

Ce problème de la pérennité de certaines classes peut aussi se poser pour la 

classe broussailles, qui peut changer en quelques mois seulement. En effet, la 

mise à jour des bases de données cartographiques est souvent plus lente 

que l’évolution de l’occupation du sol. 

• On peut également envisager utiliser d’autres algorithmes de 

classifications qui amélioreraient la cartographie (KNN, SVN 35 , …). 

34 Pas de création de graphique de reconnaissance de classes (graphiques bi-tri-dimensionnels et 

« serpents radiométriques »). Je les ai fait avec le tableur Excel (figures 16abc). 

35 KNN (K-Nearest Neighbor) et SVM (Support Vector Machines) sont des algorithmes de classification. 

107



Table des matières 

1 ère partie : Introduction ...............................................................................................7 

Problématique, contexte, objectifs...............................................................................7 

I. Problématique............................................................................................................ 7 

II. Contexte institutionnel ............................................................................................ 10 

II.1 L’IGN et ses missions......................................................................................... 11 

II.2 Le service recherche à l’IGN ............................................................................... 12 

II.2.1 Le laboratoire MATIS ....................................................................................12 

II.2.2 Le laboratoire LOEMI ...................................................................................13 

II.2.3 

Le laboratoire COGIT....................................................................................14 

II.2.4 Le laboratoire LAREG ...................................................................................15 

II.3 Le cadastre et la DGI ......................................................................................... 15 

II.4 Le RGE .............................................................................................................. 16 

III. Les données et leur acquisition............................................................................. 17 

III.1 Les caméras IGN................................................................................................ 17 

III.1.1 

Caméra argentique.......................................................................................17 

III.1.2 Caméra numérique ......................................................................................17 

III.2 Orthophotographies et BD ORTHO .................................................................... 19 

III.2.1 Qu’est ce qu’une orthophotographie ? ..........................................................19 

III.2.2 Nature des défauts et corrections .................................................................20 

III.2.3 La BD ORTHO..............................................................................................23 

IV. La zone d’étude : Troyes et Toulouse..................................................................... 24 

IV.1 Mission Troyes................................................................................................... 25 

IV.2 Mission Toulouse............................................................................................... 26 

V. La classification dirigée............................................................................................ 29 

V.1 Définition .......................................................................................................... 29 

V.2 Méthodologie ..................................................................................................... 30 

2 ème partie..................................................................................................................32 

Méthodologie pour faire des classifications ...............................................................32 

1. Logiciels utilisés....................................................................................................... 33 

1.1 GéoConcept ....................................................................................................... 33 

1.2 MultiSpec .......................................................................................................... 34 

108



1.2.1 Fonctionnement du logiciel...........................................................................34 

1.2.2 Un seul algorithme de classification retenu ..................................................37 

2. Méthodes et réflexions préalables aux classifications ............................................... 39 

2.1 Les classes retenues .......................................................................................... 39 

2.1.1 A Troyes .......................................................................................................39 

2.1.2 A Toulouse ...................................................................................................42 

2.2 Construction d’indicateurs de précision des classifications ................................ 45 

2.2.1 Construction théorique d’une matrice de confusion......................................45 

2.2.2 Les indicateurs de précision issus de la matrice de confusion.......................46 

2.2.2.1 Les indicateurs issus des calculs par classes ............................................ 46 

2.2.2.2 Les indicateurs issus des calculs sur l’ensemble des classes ..................... 47 

2.1.3 L’indice Kappa..............................................................................................48 


Les classifications utilisant les canaux radiométriques de base ................................50 

1. Résultats graphiques et cartographiques ................................................................. 51 

1.1 Statistiques des classes ..................................................................................... 51 

1.1.1 Méthodes d’acquisition des statistiques........................................................51 

1.1.2 Comportement radiométrique des classes sur les 3 séries d’images ..............53 

1.1.2.1 Comportement radiométrique moyen ......................................................... 53 

1.1.2.2 Classes homogènes et hétérogènes ........................................................... 56 

1.1.3 Comportement enregistré conforme au comportement théorique ..................57 

1.2 Classifications avec les canaux d’origine............................................................ 59 

2 Evaluation de la qualité des classifications .............................................................. 63 

2.1 Matrices de confusion et indicateurs associés à Troyes ...................................... 63 

2.1.1 Lecture en ligne............................................................................................64 

2.1.2 Lecture en colonne .......................................................................................65 

2.1.3 Précision Globale..........................................................................................67 

2.1.4 Recouvrements entre classes........................................................................68 

2.1.5 Nouvelles matrices de confusion...................................................................69 

2.1.6 Comparaison avec les parcelles test..............................................................73 

2.1.7 Indice Kappa ................................................................................................74 

2.2 Matrices de confusion et indicateurs associés à Toulouse .................................. 75 

2.2.1 Trois canaux : RVB ......................................................................................76 

109



2.2.2 Quatre canaux : RVB PIR .............................................................................77 

2.2.3 Suppression de la classe haies .....................................................................79 

2.2.4 Indice Kappa et précision globale .................................................................79 

3 Conclusion de la 3 ème partie...................................................................................... 80 


Le choix des nouveaux canaux de classification .......................................................82 

1. Présentation des canaux .......................................................................................... 83 

1.1 Qu’est ce que la texture ? .................................................................................. 83 

1.2 Qu’est ce que l’espace de couleur dérivé ............................................................ 84 

2. Méthode de choix des canaux .................................................................................. 84 

2.1 ACP (Analyse en Composantes Principales)........................................................ 85 

2.1.1 Valeurs propres et vecteurs propres à Troyes ...............................................86 

2.1.2 Valeurs propres et vecteurs propres à Toulouse ...........................................88 

2.2 Histogrammes de fréquence............................................................................... 89 

2.3 Classifications sur 1 canal................................................................................. 90 

3. Les meilleures classifications ................................................................................... 90 

3.1 A Troyes ............................................................................................................ 91 

3.1.1 Les meilleurs canaux à Troyes......................................................................91 

3.1.2 La meilleure classification trouvée à Troyes ..................................................93 

3.1.2.1 Cartographie ............................................................................................ 93 

3.1.2.2 Matrice de confusion des parcelles d’entraînement..................................... 95 

3.1.2.3 Matrice de confusion des parcelles test...................................................... 95 

3.2 A Toulouse (corrigé et non corrigé)..................................................................... 96 

3.2.1 Les canaux retenus ......................................................................................96 

3.2.2 Exemple d’une bonne combinaison de canaux..............................................98 

3.2.2.1 Cartographie ............................................................................................ 98 

3.2.2.2 Matrices ................................................................................................... 99 

4. Amélioration des classifications ............................................................................... 99 

4.1 Comparaison avec les classifications radiométriques classiques ........................ 99 

4.2 Intérêt du canal PIR......................................................................................... 100 

5. Conclusion de la 4 ème partie ................................................................................... 102 

5 ème partie : Conclusion ...........................................................................................103 

Limites, perspectives ...............................................................................................103 

I. Conclusion ............................................................................................................ 103 

I.1 La cartographie de l’occupation du sol............................................................. 103 

I.2 Les nouveaux canaux semblent nécessaires pour une bonne cartographie ...... 103 

110



I.3 Intérêt du stage pour une étudiante en DESS SIG ........................................... 104 

II. Problèmes et limites rencontrés lors du déroulement du stage et Limites des 

compétences ................................................................................................................ 105 

II.1 Problèmes techniques...................................................................................... 105 

II.2 Perspectives : ce qu’il faudrait faire par la suite pour améliorer le stage ........... 106 

Table des matières ....................................................................................................... 108 

Table des illustrations .................................................................................................. 112 

Annexes ....................................................................................................................... 115 

Glossaire...................................................................................................................... 176 

Bibliographie................................................................................................................ 178 

111



Table des illustrations 

Figures 

Figure 1 : Extrait de la légende d’une carte IGN Série Bleue au 1/25 000ème.......................... 8 

Figure 2 : Réponse à la lumière théorique des images numériques et argentiques .................. 18 

Figure 3 : Orthorectification ...................................................................................................... 20 

Figure 4 : Correction des défauts liés au relief ......................................................................... 21 

Figure 5 : Exemples de défauts visuels liés au mosaïquage, corrigé par égalisation 

radiométrique ..................................................................................................................... 22 

Figure 6 : Recouvrement intrabande et interbande .................................................................. 23 

Figure 7 : Localisation de la zone d’étude. ............................................................................... 24 

Figure 8 : Photographie aérienne en « vraies » couleurs au Sud de Troyes............................... 25 

Figure 9 : Bandes spectrales à Toulouse.................................................................................. 27 

Figure 10 : Photographie aérienne en « fausses » couleurs au Sud de Toulouse....................... 28 

Figure 11 : Interface MultiSpec .................................................................................................35 

Figure 12 : Fenêtre Image Map Parameters de MultiSpec (menu Edit) ..................................... 36 

Figure 13 : Fenêtre Classify de MultiSpec (menu Processor), permettant le choix de l’algorithme 

de classification et des paramètres et options de classification ........................................ 38 

Figure 14 : Les parcelles d’entraînement et les parcelles test sur l’image RVB de Troyes (hors 

parcelles de fond) ............................................................................................................... 41 

Figure 15 : Les parcelles d’entraînement et les parcelles test sur l’image RVB de Toulouse 

corrigé (hors parcelles de fond) .......................................................................................... 43 

Figure 16 : Comportement radiométrique des classes.............................................................. 54 

Figure 17 : Comportement spectral théorique ........................................................................... 57 

Figure 18 : Extrait de l’image de Toulouse corrigé.................................................................... 58 

Figure 19 : Classification RVB sur l’image de Troyes............................................................... 60 

Figure 20 : Classification RVB sur l’image de Toulouse corrigée.............................................. 61 

Figure 21 : Classification RVB PIR sur l’image de Toulouse corrigé ......................................... 61 

Figure 22 : Exemple de pixels mal classés. Erreur de commission........................................... 65 

Figure 23 : Exemple de pixels mal classés. Erreur d’omission ................................................. 66 

Figure 24 : Histogramme 3D montrant le recouvrement des 7 classes, à Troyes, sur les 

canaux RVB........................................................................................................................ 68 

Figure 25 : Histogramme montrant le recouvrement à Troyes des classes : ............................ 69 

Figure 26 : Parcelles initialement considérées comme du sol nu.............................................. 72 

Figure 27 : Plan factoriel 1-2 à Troyes...................................................................................... 87 

112



Figure 28 : Classification radiométrique et texturale sur l’image de Troyes (utilisation des 

canaux Bleu, Vert, Pix_fractal+Reg_fractal) ....................................................................... 94 

Figure 29 : Classification Radiométrique et texturale sur l’image de Toulouse corrigé (utilisation 

des canaux Bleu, Ciea, Reg_ent_c et PIR) .......................................................................... 98 

Figure 30 : L’imprimerie à l’IGN .............................................................................................. 105 

Tableaux 

Tableau 1 : Nomenclature des classes retenues pour les images de Troyes et de Toulouse ..... 8 

Tableau 2 : Taille des images ............................................................................................. 29 

Tableau 3 : Propriétés des parcelles d’entraînement et test sur l’image de Troyes ................ 41 

Tableau 4 : Propriétés des parcelles d’entraînement et test sur les images de Toulouse corrigé 

................................................................................................................................... 44 

Tableau 5a : Structure d’une matrice de confusion .............................................................. 45 

Tableau 5b : Matrice de confusion théorique ....................................................................... 40 

Tableau 6 : Valeurs radiométriques minimales sur les images de Toulouse dans les 4 canaux 

de base ....................................................................................................................... 52 

Tableau 7 : Coefficients multiplicateurs permettant la correction des valeurs radiométriques 

sur les images de Toulouse .......................................................................................... 52 

Tableau 8 : Matrice de confusion des parcelles d’entraînement de l’image de Troyes. 

Classification RVB ....................................................................................................... 64 

Tableau 9 : Matrice de confusion des parcelles d’entraînement de l’image 19. Classification 

RVB sans la classe autre végétation ............................................................................ 70 


RVB sans la classe sol nu ........................................................................................... 71 


RVB sans la classe autre végétation ni sol nu .............................................................. 72 

Tableau 12 : Indice Kappa sur les parcelles d’entraînement et les parcelles test, à Troyes ... 74 

Tableau 13 : Matrice de confusion des parcelles d’entraînement de l’image 20..................... 76 


Tableau 15 : Classes améliorées grâce à l’apport du canal PIR............................................ 78 

Tableau 16 : Comparaison des indices de précision globale et totale (indice Kappa) sur les 8 

matrices de Toulouse ................................................................................................... 79 

Tableau 17 : Valeurs propres des quatre 1 ères composantes principales, à Troyes................. 86 

Tableau 18 : Indices de précision sur les nouvelles classifications sur les images de Troyes. 

Ajout de canaux de texture........................................................................................... 92 



113



Tableau 21 : Comparaison des indices de précision sur certaines classifications à Toulouse 

corrigé et à Toulouse non corrigé .................................................................................. 98 

Tableau 22 : Comparaison des indices Kappa des classifications avec ou sans le canal Proche 

InfraRouge, sur l’image de Toulouse Non Corrigé ........................................................ 101 

114



Table des annexes 

1. Texte de référence dans la création de l’Institut Géographique 116 

National 

2. Propriétés des parcelles d’entraînement et des parcelles test sur les 117 

images de Toulouse corrigé 

3. Valeurs radiométriques moyennes pour les 12 classes des images de 118 

Toulouse 

4. Ecarts types des valeurs radiométriques moyennes 120 

5. a. Classification RVB sur l’image de Toulouse non corrigé 

b. Classification RVB PIR sur l’image de Toulouse non corrigé 

c. Extrait de la classification RVB 

121 

122 

123 

6. Matrices de confusion sur la série d’image de Troyes (parcelles test) 124 

7. Exemples de parcelles de vergers sur l’image de Troyes 126 

8. Matrices de confusion sur la série d’image de Toulouse corrigé 

127 

(parcelles test) 

9. Matrices de confusion sur la série d’image de Toulouse non corrigé 129 

(parcelles d’entraînement et parcelles test) 

10. Matrices de confusion sur la série d’image de Toulouse, sans la 

137 

classe haies 

11. Visualisation des nouveaux canaux 147 

12. Sorties de l’ACP 155 

13. Distribution des canaux 160 

14. Classifications 1 canal 161 

15. Matrices de confusion sur les canaux de texture, A Troyes 167 

16. Classification texturale, à Troyes 170 

17. Matrices de confusion de la classification 4 canaux (bleu, ciea, PIR, 

rent_ent_c) 

171 

115



Annexe 1 

Texte de référence dans la création de l’Institut Géographique National 

Décret portant suppression du service géographique de l'armée et création de 

l'Institut Géographique National. 

Le Président de la République Française, 

Vu le décret du 1 er septembre 1939 relatif à la réorganisation du service géographique 

de l'armée ; 

Vu la loi du 8 décembre 1939 ; 

Sur la proposition du maréchal de France, président du conseil, et des ministres de la 

défense nationale, de la guerre, des travaux publics et des transmissions et des 

finances et du commerce, 

Le conseil des ministres entendu, 

Décrète : 

Art. 1 er - Le service géographique de l'armée faisant actuellement partie du ministère 

de la guerre est supprimé à la date du 1 er juillet 1940. Le corps des officiers 

géographes et celui des sous-officiers géographes est dissou. 

Art. 2 - A cette même date, il est créé au ministère des travaux publics un institut 

géographique national dont le rôle est d'exécuter dans le domaine géodésique, 

topographique et cartographique tous les travaux d'intérêt général. 

Art. 3 - Les modalités d'application des dispositions prévues par les articles cidessus 

seront fixées ultérieurement. 

Art. 4 - Le maréchal de France, président du conseil, les ministres de la défense 

nationale, de la guerre, des travaux publics et des transmissions et des finances et 

du commerce sont chargés, chacun en ce qui le concerne, de l'exécution du présent 

décret, qui sera soumis à la ratification des Chambres, dans les conditions prévues 

par la loi du 8 décembre 1939. 

Fait à Bordeaux, le 27 juin 1940. 

Par le Président de la République : 

Albert LEBRUN. 

Le maréchal de France, président du conseil, 

Philippe PETAIN 

Le ministre de la défense nationale, 

Général WEYGAND. 

Le ministre de la guerre, 

Général COLSON. 

Le ministre des finances et du commerce, 

Yves BOUTHILLIER. 

Le ministre des travaux publics et des transmissions, 

L.O. FROSSARD. 

116



Annexe 2 

Propriétés des parcelles d’entraînement et des parcelles test sur les 

images de Toulouse corrigé 

Surface des 



Surface 

des 


test 

Nombre de 



Nombre de 


test 

Nombre de 

pixels 


Nombre de 

pixels test 

Bâti 3,3 1,9 5 3 8 105 4 516 

Bitume 2,2 2,0 10 6 5 266 4 771 

Bois 42,8 31,8 13 10 102 905 76 459 

Broussailles 14,4 9,2 2 3 34 683 22231 

Carrières 3,0 2,6 2 2 7 277 6 273 


prairies 

39,9 19,8 10 17 91 300 47 935 

Eau 32,9 19,2 13 10 77 081 46 169 

Haies 0,5 0,4 7 4 1 236 849 

Sable humide 0,4 0,2 1 1 986 562 


Vergers 8,3 7,0 8 6 20 000 16 849 

Vignes 6,3 4,3 4 5 15 072 10 332 

Fond 4,7 2,5 1 1 11 343 5 924 

Total 199,8 133,7 88 80 472 813 321 935 


(en ha) 

333,5 



168 


Commentaires 

Globalement, les parcelles test et les parcelles d’entraînement sont les mêmes sur les images 

de Toulouse corrigé et Toulouse non corrigé, par soucis de comparaison (comparer tableau 

ci-dessus et tableau 3). 

Les quelques différences à noter sont dues au fait que les images non corrigées couvrent 

une superficie légèrement plus importante que celle des images corrigé, qui ont été 

découpées. C’est pourquoi la superficie est un peu plus importante sur le tableau ci-dessus, 

à Toulouse non corrigé. 

117


Annexe 3 

Valeurs radiométriques moyennes pour les 12 classes des images de Toulouse 

1. Toulouse non corrigé 

1.1 Anciennes Valeurs (avant correction radiométrique se basant sur les valeurs de la classe bitume) 

Bâti Bitume Bois Broussailles Carrières Champs 

Sable Terres 

Eau Haies 

Prairies 

Humide Arables 

Vergers Vignes 

Bleu 80,6 100,4 24,5 29 125 33,8 39,2 76,9 64,8 62,7 34,6 49,9 

Vert 86,6 101,6 33 38,9 138 55,2 53,6 80,9 58,8 94,1 48,5 72,4 

Rouge 102,4 98,4 43,7 45,9 136,3 52,4 26,1 88,2 49,1 125 53,3 92,7 

PIR 53,4 34,3 43,4 54,9 37,6 80,7 0 82,2 13,3 46,4 57,2 64,9 

1.2 Nouvelles valeurs (après correction radiométrique se basant sur les valeurs de la classe bitume) 


Sable Terres 

Eau Haies 

Prairies 



Bleu 80,6 100,4 24,5 29 125 33,8 39,2 76,9 64,8 62,7 34,6 49,9 

Vert 85,6 100,4 32,6 38,4 136,4 54,5 53,0 79,9 58,1 93,0 47,9 71,5 

Rouge 104,5 100,4 44,6 46,8 139,1 53,5 26,6 90,0 50,1 127,5 54,4 94,6 

PIR 156,3 100,4 127,0 160,7 110,1 236,2 0,0 240,6 38,9 135,8 167,4 190,0 

118


2. Toulouse corrigé 

2.1 Anciennes Valeurs (avant correction radiométrique se basant sur les valeurs de la classe bitume) 

Bâti Bitume Bois Broussailles Carrière 

Champs 

Sable Terres 

Eau Haies 

Prairies 



Bleu 68,1 87,8 20,8 27,2 107,9 33,9 39,4 31,3 76,1 52,5 31,3 38,7 

Vert 73,1 89,6 27,2 35,8 116,2 51,9 53,1 40,6 69,9 75,6 44,1 55,3 

Rouge 80,1 76,1 31,3 37,1 103,2 45 26 43,8 56,2 86,9 42,5 61,2 

PIR 50 41 42,2 53,6 39,1 81,1 2,7 52 18,8 48,9 55 62,6 

2.2 Nouvelles valeurs (après correction radiométrique se basant sur les valeurs de la classe bitume) 

Bâti Bitume Bois Broussaille Carrière 

Champs 

Sable Terres 

Eau Haies 

Prairies 



Bleu 68,1 87,8 20,8 27,2 107,9 33,9 39,4 31,3 76,1 52,5 31,3 38,7 

Vert 71,6 87,8 26,7 35,1 113,9 50,9 52,0 39,8 68,5 74,1 43,2 54,2 

Rouge 92,4 87,8 36,1 42,8 119,1 51,9 30,0 50,5 64,8 100,3 49,0 70,6 

PIR 107,1 87,8 90,4 114,8 83,7 173,7 5,8 111,4 40,3 104,7 117,8 134,1 

Commentaires 

La baisse des valeurs de la classe bitume pour le canal PIR, comparée aux autres canaux (en rouge, tableaux 1.1 et 2.1) qui laisse 

supposer que les valeurs radiométriques devaient être égalisées par rapport à une valeur de référence : celle du canal bleu pour la 

classe bitume (en bleu, tableaux 1.1 et 2.1). 

119


Annexe 4 

Ecarts types des valeurs radiométriques moyennes 

1. Pour les 12 classes des images de Toulouse non corrigé 


Sable Terres 

Eau Haies 

Prairies 

humide Arables 


Bleu 69,2 49,3 17,9 14,3 62,1 11,2 16,6 32,6 28,5 21,1 15,8 15,4 

Vert 73,6 52,6 26,4 21 68,9 15,9 22,5 43 34,4 33,2 21 20,6 

Rouge 87,8 53,1 37,8 26,1 70,6 19,8 13,9 51,8 34,7 46,5 27 32 

PIR 47,5 20,3 30,7 26,4 23,6 46,3 2,3 40,9 9,3 15,8 28,4 18 

2. Pour les 12 classes des images de Toulouse corrigé 


Sable Terres 

Eau Haies 

Prairies 

humide Arables 


Bleu 60,7 38,7 12 10,6 50,5 9,6 13,1 18,4 27,9 14,1 14,8 7,1 

Vert 66,8 40,8 18,2 16,7 56 13,5 19,4 25 34,3 22,2 18,6 11,3 

Rouge 74,1 35,4 23,2 18,7 51,4 14,6 10,7 28,1 32,6 27,1 21,4 14,8 

PIR 39,2 18,4 27,4 23,9 21,2 43,5 2,1 33 9,4 16,6 22,6 17,5 

3. Pour les 7 classes des images de Troyes 

Autre 

Champs 

Terres 

Bitume Bois 

Sols nus 

végétation 

Prairies 

Arables 

Vergers 

Bleu 10 39,6 15,8 22,3 16 26,6 28,8 

Vert 10,7 36,7 23,4 25 16,8 27 23,4 

Rouge 8,8 36,8 12,8 22,1 15,5 24,3 28,9 

120


Annexe 5a 

Classification RVB sur l’image de Toulouse non corrigé 

N 

0 1 km 

121


Annexe 5b 

Classification RVB PIR sur l’image de Toulouse non corrigé 

N 

0 1 km 

Le canal PIR apporte une nette amélioration visuelle de la classification. Certaines classes sont nettement mieux classées. Par 

exemple l’autoroute A46 était totalement classée en tant que carrière sur la classification RVB alors qu’elle est désormais classée 

en bitume sur la classification RVB PIR. 

De plus, l’effet de mosaïquage, qui existe toujours, a sérieusement diminué (annexe 5c). 

122


Extrait situé dans le coin Sud Est de l’image. 

Annexe 5c 

Extrait de la classification RVB 

On voit bien que les défauts visuels liés au mosaïquage influent sur la classification RVB. 

123

Classification grossière par radiométrie et texture Stage au laboratoire MATIS – 

IGN 

Annexe 6 

Matrices de confusion sur la série d’image de Troyes (image 19) 


1. 7 classes 

Autre 

Végétation 

Bitume 

Bois 

Champs 


prairies 

Sols 

nus 

Terres 


déficit 

Autre 

végétation 

0 1 0 43 0 0 17 0 61 0 100 

Bitume 1 649 2 8 7 16 12 0 695 93,4 7 

Bois 64 12 41 979 149 0 16 84 0 42 304 99,2 1 

Champs 

cultivés, 

941 65 2797 59 957 1 44 704 4 272 0 112 737 53,2 47 

prairies 

Sols nus 0 0 0 0 5 047 1 1 0 5 049 100,0 0 

Terres 

Arables 

29 6 1 3 246 236 71 344 2 365 0 77 227 92,4 8 

Vergers 19 7 444 5 1 22 1 543 0 2 041 75,6 24 

Fond 0 0 0 0 0 0 0 94 828 94 828 100 0 

Nb pixels 1 054 740 45 223 63 408 5 292 116 103 8 294 94 828 334 942 

EOi 0,0 87,7 92,8 94,6 95,4 61,4 18,6 100 

Erreur 

d’excédent 

100,0 12,3 7,2 5,4 4,6 38,6 81,4 0,0 

2. 6 classes (sans autre végétation) 

Bitume 

Bois 

Champs 


prairies 

Sols 

nus 

Terres 

Arables Vergers Fond Nb pixels ECi Erreur de 

déficit 

Bitume 646 2 6 7 16 18 0 695 92,9 7,1 

Bois 11 42 010 168 0 16 99 0 42 304 99,3 0,7 

Champs 

cultivés, 

prairies 

63 2 802 60 834 1 44 704 4 333 0 112 737 54,0 46,0 

Sols nus 0 0 0 5 047 1 1 0 5 049 100,0 0,0 

Terre arable 6 1 3 268 236 71 360 2 356 0 77 227 92,4 7,6 

Vergers 7 452 8 1 22 1 551 0 2 041 76,0 24,0 

Fond 0 0 0 0 0 0 94 828 94 828 100,0 0,0 

Nb pixels (j) 733 45 267 64 284 5 292 116 119 8 358 94 828 334 881 

EOi 88,1 92,8 94,6 95,4 61,5 18,6 100 

Erreur 

d’excédent 

11,9 7,2 5,4 4,6 38,5 81,4 0,0 

124


IGN 

3. 6 classes (sans sols nus) 

Autre 

Végéta- 

Tion 

Bitume 

Bois 

Champs 


prairies 

Terres 

Arables Vergers Fond Nb pixels ECi Erreur de 

déficit 

Autre 

végétation 

0 1 0 43 0 17 0 61 0,0 100,0 

Bitume 1 649 2 8 23 12 0 695 93,4 6,6 

Bois 64 12 41979 149 16 84 0 42 304 99,2 0,8 

Champs 

cultivés, 

941 65 2797 59957 44705 4272 0 112 737 53,2 46,8 

prairies 

Terres arables 29 6 1 3246 71489 2456 0 77 227 92,6 7,4 

Vergers 19 7 444 5 23 1543 0 2 041 75,6 24,4 

Fond 0 0 0 0 0 0 94828 94 828 100,0 0,0 

Nb pixels (j) 1 054 740 45 223 63 408 116 256 8 384 94 828 329 893 

EOi 0,0 87,7 92,8 94,6 61,5 18,4 100 

Erreur 

d’excédent 

100,0 12,3 7,2 5,4 38,5 81,6 0,0 

4. 5 classes (sans autre végétation ni sols nus) 

Bitume 

Bois 

Champs 


prairies 

Terres 

Arables 

Vergers Fond Nb pixels ECi 

Erreur de 

déficit 

Bitume 646 2 6 23 18 0 695 92,9 7,1 

Bois 11 42010 168 16 99 0 42 304 99,3 0,7 

Champs 

cultivés, 

63 2802 60834 44705 4333 0 112 737 54,0 46,0 

prairies 

Terres arables 6 1 3268 71601 2351 0 77 227 92,7 7,3 

Vergers 7 452 8 23 1551 0 2 041 76,0 24,0 

Fond 0 0 0 0 0 94828 94 828 100,0 0,0 

Nb pixels (j) 733 45 267 64 284 116 368 8 352 94 828 329 832 

EOi 88,1 92,8 94,6 61,5 18,6 100 

Erreur 

d’excédent 

11,9 7,2 5,4 38,5 81,4 0,0 

5. Précision globale (sans la classe fond) 

Avec les 7 

classes 

Sans Autre 

végétation 

Sans Sols nus 

Sans Autre végétation 

ni Sols nus 

Parcelles 


83,5 83,7 88,3 91,2 

Parcelles test 75,2 75,6 74,7 75,1 

125


IGN 

Annexe 7 

Exemples de parcelles de vergers sur l’image de Troyes 

N 

b. 

a. 

0 500 m 

a. b. 

0 50 m 0 130 m 

a. Parcelle de vergers sous substrat herbeux (extrait de la figure 8) 

b. Parcelle de vergers sous substrat terreux (extrait de la figure 8) 

126


Annexe 8 

Matrices de confusion sur la série d’image de Toulouse corrigé 


1. Matrice de confusion des parcelles test de l’image 20. Classification RVB de l’image de Toulouse corrigé 


Champs 

cultivés 


Eau 

Haies 

Sable 

humide 

Terres 

arables 


Erreur 

de déficit 

Bâti 3 006 425 6 347 624 20 0 109 13 39 102 13 0 4 704 63,9 36,1 

Bitume 73 4 620 4 12 61 24 1 7 104 11 24 1 0 4 942 93,5 6,5 

Bois 845 2 76 606 581 14 171 0 127 0 1 193 48 283 0 79 870 95,9 4,1 

Broussailles 69 4 1 724 17 902 61 202 0 1 529 0 40 1 493 96 0 23 120 77,4 22,6 

Carrières 492 35 3 7 5 910 1 0 19 38 59 6 2 0 6 572 89,9 10,1 



0 6 138 0 14 44 704 6 12 0 91 4 875 4 0 49 850 89,7 10,3 

Eau 3 152 15 6 323 2 510 1 1 076 34 469 16 0 14 389 7 0 47 972 71,9 28,1 

Haies 4 0 452 3 69 0 0 25 0 134 144 2 0 833 3,0 97,0 

Sable humide 2 0 0 0 571 0 0 0 0 4 1 0 0 578 0,0 100,0 


Vergers 2 0 32 29 9 69 0 1 067 0 25 16 085 228 0 17 546 91,7 8,3 

Vignes 2 0 6 3 249 1 3 443 0 2 0 4 2 946 1 121 0 10 774 10,4 89,6 

Fond 0 0 0 0 0 0 0 0 0 0 0 0 2 657 2 657 100,0 0,0 

Nb pixels 8 372 5 107 96 818 24 650 7 390 50 993 34 476 6 363 155 52 798 30 609 11 312 2 657 331 700 

EOi 35,9 90,5 79,1 72,6 80,0 87,7 100,0 0,4 0,0 96,9 52,5 9,9 100,0 

Erreur 

d'excédent 

64,1 9,5 20,9 27,4 20,0 12,3 0,0 99,6 100,0 3,1 47,5 90,1 0,0 

Commentaires 

Les classes les moins bien cartographiées (EOi) sont le bâti, les vergers et surtout les haies, les vignes et le sable humide. 

Les classes les moins bien reconnues par le classifieur (ECi) sont : 

- le bâti (confusion avec les autres classes, notamment le bitume et les carrières), 

- les haies (confusion les bois), 

- les terres arables (confusion les bois et les vignes) 

- les vignes (confusions avec les broussailles, les champs cultivés et les prairies et les vergers) 

- et surtout le sable humide (confusion totale avec les carrières) puisque aucun pixels délimité comme sable humide n’a été classé en 

tant que tel. 

127


2. Matrice de confusion des parcelles test de l’image 21. Classification RVB PIR de l’image de Toulouse corrigé 


Champs 

cultivés 


Eau 

Haies 

Sable 

Humide 

Terres 

arables 


Erreur 

de déficit 

Bâti 3 101 83 20 273 814 24 0 80 115 39 138 17 0 4 704 65,9 34,1 

Bitume 41 4 532 6 31 87 95 0 13 93 0 33 11 0 4 942 91,7 8,3 

Bois 980 1 76 738 215 0 33 0 1 219 0 274 142 268 0 79 870 96,1 3,9 

Broussailles 161 15 4 265 14 380 0 1 544 0 463 0 0 2 089 203 0 23 120 62,2 37,8 

Carrières 500 38 7 7 5 501 1 8 20 382 62 45 1 0 6 572 83,7 16,3 



4 4 287 5 1 41 214 0 22 0 21 8 256 36 0 49 850 82,7 17,3 

Eau 759 0 305 0 359 7 46 183 300 0 44 10 5 0 47 972 96,3 3,7 

Haies 15 0 410 8 0 3 0 113 0 1 279 4 0 833 13,6 86,4 

Sable humide 3 205 0 0 360 1 0 6 0 0 3 0 0 578 0,0 100,0 

Terres arables 740 0 3 0 1 274 360 0 19 0 76 798 291 2 797 0 82 282 93,3 6,7 

Vergers 16 1 15 187 1 296 0 4 0 954 15 469 603 0 17 546 88,2 11,8 

Vignes 3 1 151 3 4 1 622 0 3 0 21 6 703 2 263 0 10 774 21,0 79,0 

Fond 0 0 0 0 0 0 0 0 0 0 0 0 2 657 2 657 100,0 0,0 

Nb pixels 6 323 4 880 82 207 15 109 8 401 45 200 46 191 2 262 590 78 214 33 458 6 208 2 657 331 700 

EOi 49,0 92,9 93,3 95,2 65,5 91,2 100,0 5,0 0,0 98,2 46,2 36,5 100,0 

Erreur 

d'excédent 

51,0 7,1 6,7 4,8 34,5 8,8 0,0 95,0 100,0 1,8 53,8 63,5 0,0 

Commentaires 

Les classes les moins bien cartographiées (EOi) sont le bâti, les carrières, les vergers, les vignes et surtout les haies et le sable humide. 

Les classes les moins bien reconnues par le classifieur (ECi) sont : 

- le bâti (confusion avec les autres classes, notamment les carrières), 

- les haies (confusion les bois), 

- les vignes (confusion les verges), 

- et surtout le sable humide (confusion totale avec les carrières) puisque, là non plus, aucun pixels délimité comme sable humide n’a été 

classé en tant que tel. 

128


Annexe 9 

Matrices de confusion sur la série d’image de Toulouse non corrigé 

1. Matrice de confusion des parcelles d’entraînement de l’image en annexe 5a (Classification RVB de l’image de Toulouse 

non corrigé) 


Champs 

cultivés 


Eau 

Haies 

Sable 

humide 

Terres 

arables 

Vergers Vignes Fond 

Nb 

pixels 

ECi 

Erreur 

de déficit 

Bâti 4 131 701 574 187 84 26 2 1 526 45 29 122 46 632 8 105 51,0 49,0 

Bitume 159 4 107 3 0 821 0 1 48 112 1 10 0 4 5 266 78,0 22,0 

Bois 1 005 1 60 444 31 647 29 245 0 6 710 0 1 963 678 183 0 102 905 58,7 41,3 

Broussailles 18 0 463 32 854 36 375 0 509 1 383 15 29 0 34 683 94,7 5,3 

Carrières 66 16 8 4 6 058 14 1 835 81 4 6 1 183 7 277 83,2 16,8 



38 9 25 11 591 333 74 901 245 99 6 1 461 559 2 033 0 91 300 82,0 18,0 

Eau 174 25 1 766 1 450 1 60 73 245 88 68 0 190 0 14 77 081 95,0 5,0 

Haies 35 0 145 172 5 0 0 196 0 451 224 8 0 1 236 15,9 84,1 

Sable humide 1 9 0 0 7 0 0 0 969 0 0 0 0 986 98,3 1,7 

Terres arables 611 0 5 226 3 774 477 1 676 0 6 157 0 66 302 12 210 1 101 25 97 559 68,0 32,0 

Vergers 19 8 758 2 719 30 131 0 301 1 17 14 493 1 523 0 20 000 72,5 27,5 

Vignes 1 0 65 1 0 0 0 65 0 950 864 13 126 0 15 072 87,1 12,9 

Fond 0 0 0 0 0 0 0 0 0 0 0 0 11 343 11 343 100,0 0,0 

Nb pixels 6 258 4 876 69 477 84 399 7 881 77 428 73 494 16 534 1 283 71 561 29 371 18 050 12 201 472 813 

EOi 66,0 84,2 87,0 38,9 76,9 96,7 99,7 1,2 75,5 92,7 49,3 72,7 100,0 

Erreur 

d'excédent 

34,0 15,8 13,0 61,1 23,1 3,3 0,3 98,8 24,5 7,3 50,7 27,3 0,0 

Commentaires 

• Certaines classes sont bien classées, c’est à dire ont une EOi et une ECi proches ou supérieures à 80% : bitume, carrières, champs cultivés 

et prairies, eau, sable humide, terres arables et vignes. 

129


• En revanche, la classe haies est totalement mal classée : elle est surestimée par le classifieur (l’utilisateur a délimité 1 236 pixels de haies 

et au final, le classifieur classe 16 534 pixels dans la classe haies, soit 13 fois plus) et se confond avec les classes bois, broussailles, terres 

arables, vergers, … 

• Il y a aussi confusion entre les classes broussailles et bois. La classe broussailles est surestimée au détriment de la classe bois : 31 647 

pixels ont été délimités comme bois et ont finalement été classés comme broussailles, soit près d’1/3 des pixels délimités comme bois. Ces 

classes sont proches radiométriquement. Les canaux RVB ne les discriminent pas totalement. 

130


2. Matrice de confusion des parcelles d’entraînement de l’image annexe en 5b (Classification RVB PIR de l’image de 

Toulouse non corrigé) 


Champs 

cultivés 


Eau 

Haies 

Sable 

humide 

Terres 

Arables 


Nb 

pixels 

ECi 

Erreur 

de déficit 

Bâti 5 193 596 813 103 102 140 0 191 475 33 366 66 27 8 105 64,1 35,9 

Bitume 155 4 597 16 19 65 21 0 102 242 2 44 2 1 5 266 87,3 12,7 

Bois 1 482 55 77 218 17 994 0 159 128 4 329 85 5 1 292 158 0 102 905 75,0 25,0 

Broussailles 41 4 418 32 622 1 523 0 711 0 0 270 93 0 34 683 94,1 5,9 

Carrières 135 31 32 1 6 578 33 16 106 293 4 47 1 0 7 277 90,4 9,6 



121 2 1 205 11 88 384 0 67 0 526 563 1 420 0 91 300 96,8 3,2 

Eau 1 15 254 1 180 3 76 570 25 0 0 32 0 0 77 081 99,3 0,7 

Haies 29 0 199 13 0 11 0 618 0 15 330 20 1 1 236 50,0 50,0 

Sable humide 0 84 2 0 10 0 0 0 890 0 0 0 0 986 90,3 9,7 

Terres arables 393 1 0 0 2 362 10 418 0 16 1 78 988 4936 442 2 97 559 81,0 19,0 

Vergers 51 5 966 2 190 13 227 0 620 12 450 15 406 60 0 20 000 77,0 23,0 

Vignes 21 0 62 17 0 347 0 76 0 25 826 13 698 0 15 072 90,9 9,1 

Fond 0 0 0 0 0 0 0 0 0 0 0 0 11 343 11 343 100,0 0,0 

Nb pixels 7 622 5 390 79 981 53 165 9 322 100 266 76 714 6 861 1 998 80 048 24 112 15 960 11 374 472 813 

EOi 68,1 85,3 96,5 61,4 70,6 88,1 99,8 9,0 44,5 98,7 63,9 85,8 100,0 

Erreur 

d'excédent 

31,9 14,7 3,5 38,6 29,4 11,9 0,2 91,0 55,5 1,3 36,1 14,2 0,0 

Commentaires 

• Certaines classes sont bien classées, dans l’ensemble les mêmes que celle pour la classification RVB : bitume, bois, champs cultivés et 

prairies, eau, terres arables et vignes. 

• La classe haies connaît une amélioration dans sa classification, mais reste toujours assez mal classée et surestimée par le classifieur. 

• La confusion entre les classes broussailles et bois a diminué mais reste toujours importante. 

• Il semble que le canal PIR apporte une amélioration dans la classification de l’image de Toulouse non corrigé. 

131


3. Matrice de confusion des parcelles test de l’image annexe en 5a (Classification RVB de l’image de Toulouse non 

corrigé) 


Champs 

cultivés 


Eau 

Haies 

Sable 

humide 

Terres 

arables 


Nb 

pixels 

ECi 

Erreur 

de déficit 

Bâti 2 738 851 205 490 40 4 0 32 16 21 62 21 36 4 516 60,6 39,4 

Bitume 45 2 660 0 1 2 010 8 0 0 24 6 2 0 15 4 771 55,8 44,2 

Bois 889 0 69 529 4 094 26 145 0 311 0 1 307 30 126 2 76 459 90,9 9,1 

Broussailles 17 0 354 12 067 57 198 0 575 0 969 7 953 41 0 22 231 54,3 45,7 

Carrières 205 18 3 5 5 173 4 1 579 46 15 5 1 218 6 273 82,5 17,5 



10 2 231 198 1 109 40 729 130 73 5 523 4 871 3 51 47 935 85,0 15,0 

Eau 1 277 4 6 146 73 0 990 35 623 584 192 0 1 261 19 0 46 169 77,2 22,8 

Haies 160 0 100 147 100 0 0 1 0 69 266 6 0 849 0,1 99,9 

Sable humide 5 0 0 0 554 1 0 0 1 0 1 0 0 562 0,2 99,8 


Vergers 0 0 9 145 4 18 0 874 0 0 15 799 0 0 16 849 93,8 6,2 

Vignes 1 3 1 3 978 1 3 313 0 153 0 1 1 834 1 047 0 10 332 10,1 89,9 

Fond 0 0 0 0 0 0 0 0 0 0 0 0 5 924 5 924 100,0 0,0 

Nb pixels 5 408 3 538 89 635 21 201 9 101 46 978 35 754 6 103 284 51 408 41 924 4 355 6 246 321 935 

EOi 

Erreur 

d'excédent 

49,4 24,8 22,4 43,1 43,2 13,3 0,4 100,0 99,6 5,7 62,3 76,0 0,0 

Commentaires 

• Certaines classes sont bien classées, dans l’ensemble les mêmes que celle pour les parcelles d’entraînement : bois, champs cultivés et 

prairies, terres arables et vignes. 

• Cette fois-ci, la classe eau est moins bien classée qu’à l’accoutumée : elle possède un déficit de pixels de 22,8%. 

• Les classes sable humide et vignes sont totalement mal classées ici : elles sont sous-estimées par le classifieur et elles sont confondues 

avec d’autres classes : avec les classes broussailles et champs cultivés et prairies pour la classe vignes ; avec les classes carrières en ligne et 

eau en colonne pour la classe sable humide, ce qui semble assez étrange vu que la classe carrières est très différentes de la classe eau. En 

132


effet, la classe carrières est une classe réfléchissante, qui possède de fortes valeurs numériques alors que la classe eau est une classe 

absorbante, qui possède de faibles valeurs numériques ? 

Peut-être les parcelles test ne possèdent-elles pas de pixels assez représentatifs de ces deux classes ? 

• La classe haies est très mal classée ici encore et surestimée par le classifieur. 

• La confusion entre les classes broussailles et bois demeure ; elle est de plus accompagnée d’une confusion bois/terres arables. 

133


4. Matrice de confusion des parcelles test de l’image en annexe 5b (Classification RVBPIR de l’image de Toulouse non 

corrigé) 


Champs 

cultivés 


Eau 

Haies 

Sable 

humide 

Terres 

arables 


Nb 

pixels 

ECi 

Erreur 

de déficit 

Bâti 2 972 163 288 220 78 11 0 18 386 44 284 46 6 4 516 65,8 34,2 

Bitume 234 3 946 14 7 91 18 0 3 293 1 161 0 3 4 771 82,7 17,3 

Bois 654 1 72 988 438 0 40 3 2 094 0 1 174 66 0 76 459 95,5 4,5 

Broussailles 105 0 199 17 443 0 479 0 1 607 0 12 2 289 97 0 22 231 78,5 21,5 

Carrières 207 49 25 3 5 708 9 6 89 151 3 17 3 3 6 273 91,0 9,0 



13 0 334 32 0 41 081 0 47 0 13 6 332 31 52 47 935 85,7 14,3 

Eau 125 71 1 325 0 402 42 43 969 4 0 2 224 0 5 46 169 95,2 4,8 

Haies 184 0 67 1 0 0 0 132 0 3 460 2 0 849 15,5 84,5 

Sable humide 2 3 0 0 534 0 0 9 2 0 11 1 0 562 0,4 99,6 

Terres arables 544 1 5 5 2 794 256 0 16 25 68 066 4 399 2 954 0 79 065 86,1 13,9 

Vergers 23 0 237 4 10 108 0 3 2 849 15 493 120 0 16 849 92,0 8,0 

Vignes 12 2 7 3 561 4 2 906 0 558 0 7 1 852 1 423 0 10 332 13,8 86,2 

Fond 0 0 0 0 0 0 0 0 0 0 0 0 5 924 5 924 100,0 0,0 

Nb pixels 5 075 4 236 75 489 21 714 9 621 44 950 43 978 4 580 859 69 001 31 696 4 743 5 993 321 935 

EOi 58,6 93,2 96,7 80,3 59,3 91,4 100,0 2,9 0,2 98,6 48,9 30,0 100,0 

Erreur 

d'excédent 

41,4 6,8 3,3 19,7 40,7 8,6 0,0 97,1 99,8 1,4 51,1 70,0 0,0 

Commentaires 

• Certaines classes sont bien classées, dans l’ensemble les mêmes que pour les matrices précédentes : bitume, bois, champs cultivés et 

prairies, eau, terres arable. 

• Les classes haies et sable humide posent toujours problème à cause de la surestimation par le classifieur (surtout pour la classe haies). 

• Il semble que le canal PIR apporte une amélioration dans la classification de l’image de Toulouse non corrigé. 

134


Commentaires généraux 

• Il y a des différences parcelles test/parcelles d’entraînement pour les classes sable humide et vignes (assez bien voire bien 

classées sur les parcelles d’entraînement, très mal classées sur les parcelles test) 

• Le canal PIR apporte une amélioration dans la classification de l’image de Toulouse non corrigé pour les parcelles 

d’entraînement (tableau 5a) et pour les parcelles test (tableau 5b). 

5. Classes améliorées grâce à l’apport du canal PIR (sur les parcelles d’entraînement) 


(de 10 à 35 %) 

- Bâti (13,1) 

- Bois (16,3) 


ECi 

(14,8) 

- Haies (34,1) 

- Terres arables (13) 

- Bois (9,5) 


EOi 


- Vignes (13,1) 


(de 0 à 10 %) 



- Carrières (7,2) 

- Broussailles (-0,6) 

- Eau (4,3) 



- Vignes (3,8) 

- Bâti (2,1) 



- Eau (0,1) 

- Champs cultivés et prairies (-8,6) 

- Haies (7,8) 


- Terres arables (6) 

Entre parenthèse, % d’amélioration, calculé en soustrayant la valeur ECi PIRRVB – ECi RVB. 

135


6. Classes améliorées grâce à l’apport du canal PIR (sur les parcelles test) 


(de 10 à 27 %) 


(de 0 à 10 %) 


- Bâti (5,2) 

- Bitume (26,9) 

- Bois (4,6) 



ECi 

- Eau (18) 


- Vergers (-1,8) 

- Haies (15,4) 

(0,7) 


- Sable humide (0,2) 

- Vignes (3,7) 

- Bâti (8) 


- Bitume (18) 


EOi 

- Bois (19,1) 


(4,7) 

- Eau (0,4) 

- Sable humide (-0,2) 


- Haies (2,9) 


- Vignes (6) 

136


Annexe 10 

Matrices de confusion sur la série d’image de Toulouse sans la classe haies 

Seuls les ECi et EOi inférieures à 70% sont pris en compte dans les commentaires suivants. 


1.1 Classification RVB 

Matrice de confusion des parcelles d’entraînement. 


Champs 

cultivés 


Eau 

Sable 

Humide 

Terres 

arables 


Erreur 

de déficit 

Bâti 5 308 1495 92 893 101 40 1 50 21 430 37 0 8 468 62.7 37.3 

Bitume 422 4 316 3 16 668 3 1 139 8 43 2 0 5 621 76.8 23.2 

Bois 1 523 8 79 493 23 639 65 306 0 0 1 415 314 333 0 107 096 74.2 25.8 

Broussailles 96 44 213 34 504 53 661 0 0 234 187 149 0 36 141 95.5 4.5 

Carrières 167 92 5 40 7 212 8 0 42 18 22 2 0 7 608 94.8 5.2 



44 45 7 14 512 48 63 353 1 328 0 2 121 12 209 1 009 0 94 676 66.9 33.1 

Eau 193 247 477 1 489 22 5 463 72 000 1 3 47 1 0 79 943 90.1 9.9 

Sable humide 3 3 0 0 9 0 0 992 0 0 0 0 1 007 98.5 1.5 

Terres arables 392 18 7 689 3 867 2 861 1 210 0 0 61 422 11 879 11908 0 101 246 60.7 39.3 

Vergers 38 11 186 2 326 82 2 600 2 0 112 14 723 646 0 20 726 71.0 29.0 

Vignes 5 3 31 3 796 0 109 0 0 52 717 10 949 0 15 662 69.9 30.1 

Fond 0 0 0 0 0 0 0 0 0 0 0 8 980 8 980 100.0 0.0 

Nb pixels 8 191 6 282 88 196 85 082 11 121 73 753 73 332 1 224 65 406 40 571 25 036 8 980 487 174 

EOi 64.8 68.7 90.1 40.6 64.9 85.9 98 81.0 93.9 36.3 43.7 100.0 

Erreur 

d'excédent 

35.2 31.3 9.9 59.4 35.1 14.1 1.8 19.0 6.1 63.7 56.3 0.0 

Commentaires 

Les classes les moins bien cartographiées (EOi) sont le bâti, le bitume, les carrières et surtout les broussailles, les vergers et les vignes. 

Les classes les moins bien reconnues par le classifieur (ECi) sont le bâti, les champs cultivés et prairies, les terres arables et les vignes. 

137


Matrice de confusion des parcelles test. 


Champs 

cultivés 


Eau 

Sable 

Humide 

Terres 

arables 


Erreur 

de déficit 

Bâti 3 126 64 35 322 950 20 0 15 44 112 16 0 4 704 66.5 33.5 

Bitume 74 4 591 10 25 64 28 1 106 11 29 3 0 4 942 92.9 7.1 

Bois 852 3 76 621 591 15 212 0 0 1 208 55 313 0 79 870 95.9 4.1 

Broussailles 84 62 1 925 18 976 85 222 0 0 78 1 582 106 0 23 120 82.1 17.9 

Carrières 489 57 10 25 5 864 2 0 39 70 11 5 0 6 572 89.2 10.8 



0 13 139 4 14 44 702 6 0 92 4 876 4 0 49 850 89.7 10.3 

Eau 3 150 52 5 018 1 893 1 1 080 35 854 0 14 903 7 0 47 972 74.7 25.3 

Sable humide 2 0 0 0 571 0 0 0 4 1 0 0 578 0.0 100.0 


Vergers 12 0 33 31 9 69 0 0 839 16 312 241 0 17 546 93.0 7.0 

Vignes 5 1 6 3 250 7 3 441 0 0 9 2 930 1 125 0 10 774 10.4 89.6 

Fond 0 0 0 0 0 0 0 0 0 0 0 2 657 2 657 100.0 0.0 

Nb pixels 8 534 4 845 95 321 25 146 9 253 51 059 35 861 160 54 922 31 819 11 290 2 657 330 867 

EOi 36.6 94.8 80.4 75.5 63.4 87.5 100 0.0 95.7 51.3 10.0 100.0 

Erreur 

d'excédent 

63.4 5.2 19.6 24.5 36.6 12.5 0.0 100.0 4.3 48.7 90.0 0.0 

Commentaires 

Les classes les moins bien cartographiées (EOi) ne sont pas tout à fait les mêmes que pour les parcelles d’entraînement. Il s’agit du bâti, des 

carrières, des vergers et surtout du sable humide et des vignes. 

Les classes les moins bien reconnues par le classifieur (ECi) sont le bâti, le sable humide (classé dans les carrières), les terres arables et les 

vignes (classées dans les broussailles, les champs cultivés et prairies et les vergers). 

138


1.2 Classification RVB PIR 



Champs 

cultivés 


Eau 

Sable 

Humide 

Terres 

arables 


Erreur 

de déficit 

Bâti 5 169 516 82 950 819 126 0 175 18 572 41 0 8 468 61.0 39.0 

Bitume 310 4 510 5 63 577 48 0 64 0 38 6 0 5 621 80.2 19.8 

Bois 1 684 37 79 306 23 174 2 484 0 0 214 1 706 487 2 107 096 74.1 25.9 

Broussailles 200 30 891 33 606 0 718 0 0 19 211 466 0 36 141 93.0 7.0 

Carrières 187 82 13 16 6 880 46 7 268 13 95 1 0 7 608 90.4 9.6 



83 8 32 180 1 78 117 0 0 2 244 13 005 1 006 0 94 676 82.5 17.5 

Eau 25 21 1 529 0 365 1 77 973 7 4 17 1 0 79 943 97.5 2.5 

Sable humide 4 1 0 0 109 0 0 893 0 0 0 0 1 007 88.7 11.3 

Terres arables 827 1 048 7 162 13 1 306 5 115 0 0 77 767 3 130 4 878 0 101 246 76.8 23.2 

Vergers 75 30 348 2 226 9 2 468 1 0 532 14 696 341 0 20 726 70.9 29.1 

Vignes 12 2 58 177 1 49 0 0 76 983 14 304 0 15 662 91.3 8.7 

Fond 0 0 0 0 0 0 0 0 0 0 0 8 980 8 980 100.0 0.0 

Nb pixels 8 576 6 285 89 426 60 405 10 069 87 172 77 981 1 407 80 887 34 453 21 531 8 982 487 174 

EOi 60.3 71.8 88.7 55.6 68.3 89.6 100 63.5 96.1 42.7 66.4 100.0 

Erreur 

d'excédent 

39.7 28.2 11.3 44.4 31.7 10.4 0.0 36.5 3.9 57.3 33.6 0.0 

Commentaires 

Les classes les moins bien cartographiées (EOi) ne sont pas tout à fait les mêmes que pour les parcelles d’entraînement de la classification 

RVB. Il s’agit du bâti, des carrières, des vergers du sable humide et des vignes et surtout des broussailles, confondues avec la classe bois et des 

vergers, confondues avec la classe champs cultivés et prairies. 

Les classes les moins bien reconnues par le classifieur (ECi) sont le bâti (confondu avec presque toutes les autres classes) et les vergers. 

139




Champs 

cultivés 


Eau 

Sable 

Humide 

Terres 

arables 


Erreur 

de déficit 

Bâti 3 111 57 56 315 812 27 0 117 38 153 18 0 4 704 66.1 33.9 

Bitume 42 4 533 7 37 87 98 0 93 0 32 13 0 4 942 91.7 8.3 

Bois 1 105 4 77 213 398 0 51 0 0 344 361 394 0 79 870 96.7 3.3 

Broussailles 209 73 4 363 15 169 0 1 556 0 0 3 1 496 251 0 23 120 65.6 34.4 

Carrières 501 38 15 10 5 503 1 9 385 62 46 2 0 6 572 83.7 16.3 



5 7 289 9 1 41 197 0 0 22 8 282 38 0 49 850 82.6 17.4 

Eau 759 0 342 2 399 7 46 220 1 44 193 5 0 47 972 96.3 3.7 

Sable humide 5 202 4 3 360 1 0 0 0 3 0 0 578 0.0 100.0 

Terres arables 740 0 4 0 1 274 361 0 0 77 015 91 2 797 0 82 282 93.6 6.4 

Vergers 15 1 15 188 1 308 0 0 953 15 473 592 0 17 546 88.2 11.8 

Vignes 3 1 151 4 4 1 622 0 0 21 6 703 2 265 0 10 774 21.0 79.0 

Fond 0 0 0 0 0 0 0 0 0 0 0 2 657 2 657 100.0 0.0 

Nb pixels 6 495 4 916 82 459 16 135 8 441 45 229 46 229 596 78 502 32 833 6 375 2 657 330 867 

EOi 47.9 92.2 93.6 94.0 65.2 91.1 100 0.0 98.1 47.1 35.5 100.0 

Erreur 

d'excédent 

Commentaires 

52.1 7.8 6.4 6.0 34.8 8.9 0.0 100.0 1.9 52.9 64.5 0.0 

Les classes les moins bien cartographiées (EOi) ne sont pas tout à fait les mêmes que pour les parcelles d’entraînement ; l’intensité des erreurs 

d’excédent est plus forte aussi. Il s’agit du bâti, des carrières, des vergers, des vignes et surtout du sable humide comme au tableau 2. 

Les classes les moins bien reconnues par le classifieur (ECi) sont le bâti, les broussailles, et surtout le sable humide (classé avec le bitume et 

les carrières) et les vignes (classées avec les vergers). 

140






Champs 

cultivés 


Eau 

Sable 

Humide 

Terres 

arables 


Nb 

pixels 

ECi 

Erreur 

de déficit 

Bâti 4 394 1 385 1 131 85 79 22 2 47 51 227 50 632 8 105 54.2 45.8 

Bitume 157 4 146 4 1 827 0 1 112 6 8 0 4 5 266 78.7 21.3 

Bois 1 670 52 62 980 33 191 138 281 0 1 3 533 819 236 4 102 905 61.2 38.8 

Broussailles 74 5 457 33 190 93 392 0 1 398 38 35 0 34 683 95.7 4.3 

Carrières 74 17 11 7 6 828 16 2 81 6 51 1 183 7 277 93.8 6.2 



42 55 26 11 586 268 74 906 247 6 1 381 702 2 081 0 91 300 82.0 18.0 

Eau 170 43 1 959 1 450 1 61 71 414 84 0 1 899 0 0 77 081 92.6 7.4 

Sable humide 1 9 0 0 7 0 0 969 0 0 0 0 986 98.3 1.7 

Terres arables 1 713 4 5 226 3 775 554 1 678 0 0 70 242 13 239 1 128 0 97 559 72.0 28.0 

Vergers 56 17 695 2 111 42 137 0 1 568 16 329 44 0 20 000 81.6 18.4 

Vignes 3 0 65 1 9 0 0 0 948 866 13 180 0 15 072 87.4 12.6 

Fond 0 0 0 0 0 0 0 0 0 0 0 11 343 11 343 100.0 0.0 

Nb pixels 8 354 5 733 72 554 85 397 8 846 77 493 71 666 1 302 77 133 34 178 16 755 12 166 471 577 

EOi 52.6 72.3 86.8 38.9 77.2 96.7 100 74.4 91.1 47.8 78.7 93.2 

Erreur 

d'excédent 

47.4 27.7 13.2 61.1 22.8 3.3 0.4 25.6 8.9 52.2 21.3 6.8 

Commentaires 

Les classes les moins bien cartographiées (EOi) sont le bâti et surtout les broussailles et les vergers. 

Les classes les moins bien reconnues par le classifieur (ECi) sont le bâti et les bois (classés avec les broussailles). 

141




Champs 

cultivés 


Eau 

Sable 

Humide 

Terres 

arables 


Erreur 

de déficit 

Bâti 2 714 833 199 537 40 4 1 21 25 84 22 36 4 516 60.1 39.9 

Bitume 62 2 378 0 1 2 276 4 0 24 7 4 0 15 4 771 49.8 50.2 

Bois 1 296 2 68 906 4 311 42 207 1 0 1 485 59 150 0 76 459 90.1 9.9 

Broussailles 51 1 467 13 447 88 154 0 0 1 237 6 740 46 0 22 231 60.5 39.5 

Carrières 211 19 3 7 5 723 4 1 48 17 19 3 218 6 273 91.2 8.8 



13 36 231 197 1 134 40 691 133 5 537 4 909 3 46 47 935 84.9 15.1 

Eau 1 317 4 6 648 73 38 992 35 623 192 3 1 263 16 0 46 169 77.2 22.8 

Sable humide 5 0 0 0 554 1 0 1 0 1 0 0 562 0.2 99.8 


Vergers 15 0 10 156 28 18 0 0 0 16 622 0 0 16 849 98.7 1.3 

Vignes 7 7 1 3 956 1 3 313 0 0 153 1 835 1 059 0 10 332 10.2 89.8 

Fond 0 0 0 0 0 0 0 0 0 0 0 5 924 5 924 100.0 0.0 

Nb pixels 8 295 3 280 89 558 22 688 9 982 46 928 35 759 291 52 296 41 416 4 354 6 239 321 086 

EOi 32.7 72.5 76.9 59.3 57.3 86.7 100 0.3 93.4 40.1 24.3 95.0 

Erreur 

d'excédent 

67.3 27.5 23.1 40.7 42.7 13.3 0.4 99.7 6.6 59.9 75.7 5.0 

Commentaires 

Les classes les moins bien cartographiées (EOi) sont le bâti, les broussailles, les carrières, les vergers et surtout les vignes et le sable humide. 

Les classes les moins bien reconnues par le classifieur (ECi) sont le bâti, le bitume, les broussailles, et surtout le sable humide et les vignes 

comme pour le tableau 4, mais les confusions ne sont pas tout à fait les mêmes (le sable humide est classé avec les carrières ; les vignes sont 

classées avec les broussailles). 

142





Champs 

cultivés 


Eau 

Sable 

Humide 

Terres 

arables 


Erreur 

de déficit 

Bâti 5 265 609 819 160 104 138 0 475 36 400 72 27 8 105 65.0 35.0 

Bitume 179 4 651 20 26 62 22 0 243 2 56 4 1 5 266 88.3 11.7 

Bois 2 386 97 78 979 17 912 0 172 128 85 7 2 791 348 0 102 905 76.7 23.3 

Broussailles 214 11 730 32 739 0 537 0 0 0 318 134 0 34 683 94.4 5.6 

Carrières 210 33 32 1 6 564 32 16 292 4 92 1 2 7 277 90.2 9.8 



139 7 1 206 11 88 410 0 0 527 546 1 453 0 91 300 96.8 3.2 

Eau 1 16 278 1 180 3 76 570 0 0 32 0 0 77 081 99.3 0.7 

Sable humide 0 84 2 0 10 0 0 890 0 0 0 0 986 90.3 9.7 

Terres arables 410 1 0 0 2 358 10 418 0 1 78 937 4 986 446 0 97 557 80.9 19.1 

Vergers 210 21 1 096 2 135 15 234 0 12 454 15 710 113 0 20 000 78.6 21.5 

Vignes 34 0 79 25 0 349 0 0 26 843 13 716 0 15 072 91.0 9.0 

Fond 0 0 0 0 0 0 0 0 0 0 0 11 345 11 343 100.0 0.0 

Nb pixels 9 048 5 530 82 036 53 205 9 304 100 315 76 714 1 998 79 993 25 774 16 287 11 373 471 577 

EOi 58.2 84.1 96.3 61.5 70.6 88.1 100 44.5 98.7 61.0 84.2 99.8 

Erreur 

d'excédent 

41.8 15.9 3.7 38.5 29.4 11.9 0.2 55.5 1.3 39.0 15.8 0.2 

Commentaires 

Les classes les moins bien cartographiées (EOi) sont le bâti, les broussailles, les vergers et surtout et le sable humide. 

Cette fois-ci, les vignes semblent bien cartographiées. 

La classe la moins bien reconnue par le classifieur (ECi) sont le bâti. Pour les autres, les ECi sont assez bonnes. 

143




Champs 

cultivés 


Eau 

Sable 

Humide 

Terres 

arables 


Erreur 

de déficit 

Bâti 2 986 163 291 218 78 11 0 387 44 285 47 6 4 516 66.1 33.9 

Bitume 467 3 749 14 61 92 16 0 296 1 72 0 3 4 771 78.6 21.4 

Bois 1 586 4 73 403 977 0 63 3 0 1 281 141 0 76 459 96.0 4.0 

Broussailles 359 2 775 17 630 0 358 0 0 13 2 873 221 0 22 231 79.3 20.7 

Carrières 221 39 25 3 5 734 6 6 150 4 79 3 3 6 273 91.4 8.6 



32 3 334 34 1 41 018 0 0 21 5 918 522 52 47 935 85.6 14.4 

Eau 159 72 1 316 0 402 42 44 114 0 4 55 0 5 46 169 95.5 4.5 

Sable humide 10 4 0 0 534 3 0 2 0 8 1 0 562 0.4 99.6 

Terres arables 544 1 5 5 2 794 256 0 25 68 066 4 400 2 969 0 79 065 86.1 13.9 

Vergers 24 1 222 15 15 115 0 2 844 15 491 120 0 16 849 91.9 8.1 

Vignes 37 2 21 3 977 4 2 906 0 0 7 1 886 1 492 0 10 332 14.4 85.6 

Fond 0 0 0 0 0 0 0 0 0 0 0 5 924 5 924 100.0 0.0 

Nb pixels 6 425 4 040 76 406 22 920 9 654 44 794 44 123 862 69 005 31 348 5 516 5 993 321 086 

EOi 46.5 92.8 96.1 76.9 59.4 91.6 100 0.2 98.6 49.4 27.0 98.8 

Erreur 

d'excédent 

53.5 7.2 3.9 23.1 40.6 8.4 0.0 99.8 1.4 50.6 73.0 1.2 

Commentaires 

Les classes les moins bien cartographiées (EOi) sont le bâti, les carrières, les vergers et surtout les vignes et le sable humide. 

Les classes les moins bien reconnues par le classifieur (ECi) sont le bâti et surtout le sable humide et les vignes. 

144


3. Indices Kappa et précision globale 




Parcelles d’entraînement Parcelles test Parcelles d’entraînement Parcelles test 

Indice Kappa 70,4 75,5 74,9 71,4 

Précision globale sans la 

classe fond 

74,1 79,1 77,7 74,8 





Indice Kappa 79,5 87,7 85,5 85 


classe fond 

82,2 85,4 87,4 86,8 

Commentaires 

Les indices de précision sont supérieurs sur les images de Toulouse non corrigé aux indices des images de Toulouse corrigé. 

L’apport du canal PIR dans les classifications amène une amélioration de 10% environ que l’on soit sur les images de Toulouse 

corrigé ou non corrigé, pour les parcelles test et les parcelles d’entraînement. 

Commentaires généraux 

• Une fois encore, on voit que les canaux de radiométrie ne suffissent pas à discriminer au mieux certaines classes telles 

que les vignes. 

• Il semble qu’il y ait un problème avec la parcelle test de sable humide. 

145


• La classe bâti n’est finalement pas bien classée. Sa radiométrie est très hétérogène. Elle comporte de nombreux 

recouvrements avec les autres classes. Peut être les parcelles définies ne sont-elles pas assez représentatives. 

• On mesure ici à nouveau l’intérêt du canal PIR dans la cartographie de l’occupation du sol. 

• Certaines classes ne posent pas de problème de classification : l’eau et les bois. 

• La suppression de la classe haies améliore une peu les classifications mais ne résout pas les problèmes des classes qui 

étaient mauvaises avant. 

146



Annexe 11 

Visualisation des nouveaux canaux 

1. A Troyes 

1. Blue 2. Chroma_bg 3. Chroma_rg 4. Ciea 5. Cieb 

6. Ciel 7.Cieu 8. Ciev 9. Ciex 10. Ciey 

11. Ciez 12. Green 13. Hue 14. Kl1 15. Kl2 

16. Kl3 17 Log_bg 18. Log_gs 19. Log_rg 20. Log_rgbb 

21. Log_rs 22. Pix_aurelie_d1 23. Pix_aurelie_d2 24. Pix_aurelie_p1 25. Pix_dot_i 

147



26. Pix_dot_s 27. Pix_ent_c 28. Pix_ent_e 29. Pix_ent_lg_d 30. Pix_ent_lg_h 

31. Pix_fractal 32. Pix_gabor_a 33. Pix_gabor_f 34. Pix_gabor_m 35. Pix_lbp_riu2f 

36. Pix_lbp_riu2m 37. Pix_lbp_var 38. Pix_soh_g 38. Pix_soh_m 40. Pix_soh_th 

41. Pix_soh_v 42. Red 43. Reg_aurelie_d1 44. Reg_aurelie_d2 45. Reg_aurelie_p1 

46. Reg_ent_c 47. Reg_ent_e 48. Reg_fractal 49. Reg_lbp_riu2f 50. Reg_lbp_riu2m 

51. Reg_soh_g 52. Reg_soh_m 53. Reg_soh_th 54. Reg_soh_v 55. Reg_value_i 

148



56. Satint 57. Saturation 58. Value 59. Value_i 60. Wi 

2. A Toulouse 

1. Blue 2. Chroma_bg 3. Chroma_rg 4. Ciea 

5. Cieb 6. Ciel 7.Cieu 8. Ciev 

9. Ciex 10. Ciey 11. Ciez 12. Green 

13. Hue 14. Kl1 15. Kl2 16. Kl3 

17 Log_bg 18. Log_gs 19. Log_rg 20. Log_rgbb 

21. Log_rs 22. Pix_aurelie_d1 23. Pix_dot_s 24. Pix_ent_c 

25. Pix_ent_e 26. Pix_ent_lg_d 27. Pix_ent_lg_h 28. Pix_fractal 

29. Pix_gabor_a 30. Pix_gabor_f 31. Pix_gabor_m 32. Pix_lbp_riu2f 

149



33. Pix_lbp_riu2m 34. Pix_lbp_var 35. Pix_soh_g 36. Pix_soh_m 

37. Pix_soh_th 38. Pix_soh_v 39. Red 40. Reg_aurelie_d1 

41. Reg_aurelie_d2 42. Reg_aurelie_p1 43. Reg_ent_c 44. Reg_ent_e 

45. Reg_fractal 46. Reg_lbp_riu2f 47. Reg_lbp_riu2m 48. Reg_soh_g 

49. Reg_soh_m 50. Reg_soh_th 51. Reg_soh_v 52. Reg_value_i 

53. Satint 54. Saturation 55. Value 56. Value_i 

57. Wi 58. Ired 59. Ndvi 60. Tgdvi 

61. Reg_aurelie_p2 62. Sathue 

Explication des canaux : 

1. Certains canaux sont calculés à partir d’opération mathématiques basiques entre 2 

canaux : 

- le canal NDVI est calculé comme : 

PIR 

NDVI = 

PIR 

− 

+ 

R 

R 

150



- le canal WI est calculé comme : 

WI 

= 

R −V 

R + V 

- les canaux Chroma, correspondant à des canaux de chrominance, sont calculés comme : 

Chroma _ rg = logrouge 

− logvert 

2. Espaces de couleur dérivés : 

• L*a*b* 

Dans ce modèle colorimétrique, une couleur est représentée par 3 valeurs : 

- L, la luminance, exprimée en % (0% = noir ; 100% = blanc), 

- a et b, deux gammes de couleurs (a : gamme du vert au rouge ; b : couleurs du 

bleu au jaune). 

Le système de couleur L*a*b* 

• XYZ 

Les composants rouges d'une couleur sont répartis le long de l'axe des x (horizontal) du 

plan de coordonnées et les composants verts le long de l'axe des y (vertical). 

Le système de couleur XYZ 

151



Le passage du système RVB au système XYZ se fait suivant la relation matricielle 

suivante : 

• Teinte (hue en anglais) , intensité, saturation. Ce système de couleur ne se présente 

pas en coordonnées cartésiennes (x, y, z), mais en coordonnées polaires (r, θ, t ). 

3. D’autres canaux sont calculés pour mesurer la texture. Par exemple, l’entropie, à la 

base des canaux portant l’appellation –ent, est calculée à l’aide de la formule de 

Shannon : 

Ent = - Σ p i log 2 p i 

Les canaux utilisés pour la classification à Troyes : 

Pix_fractal 

152



Reg_fractal 

153



Les canaux utilisés pour la classification à Toulouse : 

Ciea 

Reg_ent_c 

154



Annexe 12 

Sorties de l’ACP 

1. Axe factoriel 3-4à Troyes 

0,3 

0,2 

27 

55 


0,1 

0 

-0,1 

-0,2 

29 

57 

20 

-0,3 

23 

22 53 

-0,4 

-0,4 -0,3 -0,2 -0,1 0 0,1 0,2 


2. Valeurs propres des quatre 1ères composantes principales, à Toulouse 

corrigé 


CP1 16,21 26,31 26,31 

CP2 8,12 13,09 39,4 

CP3 6,26 10,1 49,5 

CP4 5,19 6 55,5 

3. Valeurs propres des quatre 1ères composantes principales, à Toulouse non 

corrigé 


CP1 20,95 33,79 33,79 

CP2 10,26 16,55 50,34 

CP3 5,52 7,17 57,51 

CP4 4,44 5,5 63,01 

155



4. Axe factoriel 1-2 (Toulouse corrigé) 

5. Axe factoriel 3-4 (Toulouse corrigé) 

156



6. Axe factoriel 1-2 (Toulouse non corrigé) 

7. Axe factoriel 3-4 (Toulouse non corrigé) 

157



8. Tableau résumant les canaux s’opposant dans la formation des composante 

principale à Troyes 

Contribution CP1 CP2 CP3 CP4 

++++ 56 7 45 46 

+++ 1 21 15 27 

++ 58 3 20 55 

+ 14 19 50 37 

+ 11 4 5 25 

- 33 8 30 30 

- 47 13 29 23 

-- 48 16 24 59 

--- 31 18 22 53 

---- 39 60 23 22 

9. Tableau résumant les canaux s’opposant dans la formation des composante 

principale à Toulouse corrigé 


++++ 39 59 38 16 

+++ 6 3 48 57 

++ 9 21 47 18 

+ 10 18 28 1 

+ 55 19 41 11 

- 12 44 43 28 

- 2 45 17 45 

-- 57 24 24 19 

--- 62 43 4 7 

---- 17 25 2 4 

158



10. Tableau résumant les canaux s’opposant dans la formation des 

composante principale à Toulouse non corrigé 


++++ 53 57 3 4 

+++ 1 17 21 24 

++ 11 62 18 43 

+ 55 2 2 26 

+ 14 13 19 34 

- 46 19 7 61 

- 25 5 32 41 

-- 51 7 23 48 

--- 44 20 28 18 

---- 45 15 30 16 

159


Annexe 13 

Distribution des canaux (exemple à Toulouse non corrigé) 

Distribution Normale 

(entre parenthèse, valeur 

radiométrique sur laquelle 

la distribution est centrée) 

-Log_bg (60) 

-Log_gs (180) 

-Reg_fractal (150) 

-Reg_soh_v (160) 

-Wi (140) 

Distribution bimodale 

(entre parenthèse, classes 

correspondant aux modes) 

-Green (eau, champ) 

-Pix_ent_lg_h (bois, bitume) 

-Pix_gabor_m (eau, 

bitume/carrière/ 

bâti) 

-Pix_lbp_var (eau, autres 

classes) 

-Reg_soh_g (bois, terre 

ar./eau) 

Distribution trimodale 

(entre parenthèse, classes 

correspondant aux modes) 

-Ciea (eau, terre ar., sable 

hum.) 

-Ciel (eau, champ, terre ar.) 

-Ciex (eau, champ, terre ar.) 

-Hue (eau, sable hum., terre 

ar.) 

-Kl3 (eau, bois, terre ar.) 

-Pix_aurelie_d1 

(bois/broussaille/ 

eau, sable hum./ 

bitume, vigne/ 

verger/champ) 

-Pix_fractal (eau, haie/sable 

hum., vigne/terre ar. ) 

-Pix_soh_m (sable 

hum./bitume, 

vigne/verger, terre ar.) 

-Pix_soh_th (sable 

hum./bitume, bâti, vigne) 

-Red (eau, eau/ 

champ, terre ar.) 

Distribution 

dissymétrique à 

gauche 

(concentration des pixels 

dans les valeurs faibles : 

l’image est sombre) 

-Blue 

-Chroma_bg 

-Chroma_rg 

-Cieb 

-Cieu 

-Ciev 

-Ciey 

-Ciez 

-Kl1 

-Kl2 

-Ired 

-Log_rg 

-Log_rgbb 

-Log_rs 

-Ndvi 

-Pix_ent_lg_d 

-Pix_ent_c 

-Pix_ent_e 

-Reg_aurélie_p2 

-Reg_soh_th 

-Reg_value_i 

-Sathue 

-Satint 

-Saturation 

-Value 

-Value_i 

-Tgvi 

Distribution 

dissymétrique à droite 

(concentration des pixels 

dans les valeurs fortes : 

l’image est claire) 

-Pix_gabor_f 

-Pix_lbp_riu_2f 

-Pix_soh_g 

-Reg_ent_e 

-Reg_lbp_riu2f 

Distribution 

indéterminée 

-Pix_dot_s 

-Pix_gabor_a 

-Pix_lbp_riu_2m 

-Pix_soh_v 

-Reg_aurelie_d1 

-Reg_aurelie_d2 

-Reg_aurelie_p1 

-Reg_ent_c 

-Reg_lbp_riu2m 

-Reg_soh_m 

160


IGN 

Annexe 14 

Classifications 1 canal 

1. Indices Kappa issus des classifications unicanal à Troyes, triés dans l’ordre 

décroissant 

Canal Kappa entraînement Kappa test 

Moyenne des 2 

Kappa 

37 74 69,6 71,8 

27 61,9 66,5 64,2 

46 60,2 67,3 63,8 

14 61 63,1 62,1 

58 61 63,1 62,1 

15 69,9 52,8 61,4 

28 61,7 59,4 60,6 

29 62,3 58,3 60,3 

6 60,3 59,2 59,8 

35 62,9 54,2 58,6 

11 59,1 56,9 58,0 

10 61,3 53,3 57,3 

51 44 70,6 57,3 

54 67,6 46,7 57,2 

21 53,3 60,2 56,8 

60 62,2 50,9 56,6 

5 65,1 47,4 56,3 

8 53 59,4 56,2 

7 56,2 55,4 55,8 

19 60,1 50,6 55,4 

9 61,9 48,7 55,3 

2 57,2 52,3 54,8 

59 56,6 52,4 54,5 

31 68,4 40 54,2 

13 63,5 44,7 54,1 

18 59,8 47,9 53,9 

3 58,9 48,5 53,7 

56 61,2 45,9 53,6 

1 60,1 44,1 52,1 

53 54,4 48,8 51,6 

12 47,3 55,5 51,4 

57 53 49 51,0 

4 53,1 47,6 50,4 

42 60,1 39,4 49,8 

40 50,6 45,3 48,0 

16 62,9 30,8 46,9 

49 41,5 46,3 43,9 

39 34,9 51 43,0 

52 37,5 48,4 43,0 

36 41,2 43,2 42,2 

20 44,1 39,1 41,6 

41 46,7 33,4 40,1 

161


IGN 

47 35,1 42,9 39,0 

45 38,6 38,6 38,6 

26 37,9 38,7 38,3 

32 46,6 28,7 37,7 

34 41,7 33,2 37,5 

30 30 40 35,0 

48 49,2 19,2 34,2 

38 27,4 38,2 32,8 

50 27,2 34,1 30,7 

33 29,3 30,6 30,0 

17 57,8 1 29,4 

43 26,8 23,5 25,2 

44 25,4 21,9 23,7 

25 21,3 24,9 23,1 

23 16,5 3,6 10,1 

22 6,5 5,9 6,2 

55 0,7 0,4 0,6 

24 0,3 0,4 0,4 

MOYENNE 48,9 43,6 46,2 

162


IGN 

Indices Kappa issus des classifications unicanal à Toulouse non corrigé, triés 

dans l’ordre décroissant 

Canal 

Kappa 

entraînement 

Kappa test 

Moyenne des 2 

Kappa 

4 41,7 41,8 41,8 

59 33,5 42,3 37,9 

9 46 29,4 37,7 

13 34,5 39,4 37,0 

6 41 31,9 36,5 

18 31,7 40,7 36,2 

39 37,2 35,1 36,2 

7 39,5 32,1 35,8 

14 44,3 27,3 35,8 

55 44,3 27,3 35,8 

19 34,2 35,7 35,0 

16 29,6 38,9 34,3 

3 34,6 33,7 34,2 

57 33,2 34,1 33,7 

54 35,5 30,5 33,0 

21 37,8 27,8 32,8 

56 37,5 27,9 32,7 

10 39,3 25,5 32,4 

38 39,9 23,8 31,9 

32 42,1 21,4 31,8 

33 37,2 24,2 30,7 

58 28,6 31,4 30,0 

48 22,6 36,9 29,8 

53 36,4 22,8 29,6 

28 28 29,9 29,0 

20 29,7 27,4 28,6 

62 20,6 34,9 27,8 

12 30,8 24,2 27,5 

11 33,8 20,4 27,1 

1 33,5 19,8 26,7 

25 23,5 29,8 26,7 

46 28 24,2 26,1 

15 24,4 26,9 25,7 

2 28,7 22,4 25,6 

8 27,8 23 25,4 

26 31,6 19,2 25,4 

52 30,7 19,7 25,2 

60 22,2 22,9 22,6 

27 18,1 25 21,6 

47 28,4 14,5 21,5 

17 25,1 17,2 21,2 

51 28,7 13,1 20,9 

5 23,5 17,4 20,5 

37 27 10,9 19,0 

43 24,4 9,7 17,1 

35 17,1 16,1 16,6 

31 20 12,2 16,1 

163


IGN 

49 17,9 11,9 14,9 

24 21,6 7 14,3 

29 19,7 7,4 13,6 

45 16,4 9,4 12,9 

34 8,4 14,7 11,6 

40 7,1 11,1 9,1 

44 10 5,2 7,6 

50 9,8 4,6 7,2 

36 4,6 8,8 6,7 

61 1,1 12 6,6 

42 6,4 4,6 5,5 

22 4,2 3,5 3,9 

23 2,5 0,9 1,7 

41 1,3 1,3 1,3 

30 1,1 1,1 1,1 

MOYENNE 26,1 21,7 23,9 

164


IGN 

3. Indices Kappa issus des classifications unicanal à Toulouse corrigé, triés 

dans l’ordre décroissant 

Canal 

Kappa 

entraînement 

Kappa test 

Moyenne des 2 

Kappa 

16 41,7 58,8 50,3 

53 55,8 39,9 47,9 

39 48,9 45,2 47,1 

4 45,3 39,6 42,5 

18 37,1 47,1 42,1 

9 43,3 35,5 39,4 

62 33,7 43,7 38,7 

20 36,2 40,5 38,4 

14 43,2 30,7 37,0 

55 43,2 30,7 37,0 

57 35,7 38,1 36,9 

52 41,1 32,6 36,9 

13 33,3 39,6 36,5 

6 32,1 39,4 35,8 

11 43,3 26,9 35,1 

7 28,5 40,7 34,6 

56 38,8 28,6 33,7 

10 36,2 31 33,6 

5 40,1 26,8 33,5 

32 36,4 26,3 31,4 

3 30,7 30,4 30,6 

58 32 27,2 29,6 

12 27,2 31,6 29,4 

21 25,9 32,7 29,3 

45 30 24,6 27,3 

1 27,7 26,9 27,3 

48 22,8 31,5 27,2 

28 34 19,9 27,0 

8 30,9 22,6 26,8 

19 23,9 29,3 26,6 

31 29,9 20,9 25,4 

15 21,1 29,5 25,3 

26 23,9 20,2 22,1 

38 27,2 16,7 22,0 

44 14,9 25,7 20,3 

33 20,9 19,7 20,3 

2 17,1 18,4 17,8 

25 18,4 17 17,7 

24 15 20,1 17,6 

17 16,3 16,5 16,4 

27 20,6 11,5 16,1 

46 24,9 7,2 16,1 

50 29,5 1,4 15,5 

51 29,5 1,4 15,5 

34 17,3 12,7 15,0 

23 15,9 12,3 14,1 

165


IGN 

54 10,7 16,3 13,5 

47 12 14,6 13,3 

43 13 5,6 9,3 

36 12,3 5,7 9,0 

37 12,6 2,8 7,7 

22 10,7 3,7 7,2 

35 8,1 6 7,1 

29 13,1 -1,1 6,0 

40 -0,4 6,7 3,2 

30 4,7 1 2,9 

61 2,2 3,4 2,8 

41 3,1 1,5 2,3 

42 1,7 1,9 1,8 

59 1,4 1,3 1,4 

60 0,2 0,2 0,2 

49 -0,7 -1,7 -1,2 

MOYENNE 24,6 21,6 23,1 

166


IGN 

Annexe 15 

Matrices de confusion sur la série d’image de Troyes. 

1. Classification 10 canaux 

1.1 Parcelles d’entraînement 

Autre 

Végétation 

Bitume 

Bois 

Champs 


prairies 

Sols 

nus 

Terres 

arables Vergers Fond Nb 

pixels 

ECi 

Erreur de 

déficit 

Autre 

végétation 

780 2 6 5 0 1 7 0 801 97 3 

Bitume 9 1 908 0 0 0 1 10 0 1 928 99,0 1 

Bois 338 93 61 682 19 0 2 699 0 62 833 98,2 2 

Champs 

cultivés, 

7 267 1 029 164 129 890 14 2 955 895 0 142 214 91,3 9 

prairies 

Sols nus 0 93 0 0 3 483 146 130 0 3 852 90,4 10 

Terres 

Arables 

335 2 014 17 3 424 18 111 88 759 2 540 0 115 200 77,0 23 

Vergers 19 13 26 0 1 3 1 765 0 1 827 96,6 3 

Fond 0 0 0 0 0 0 0 171 544 171 544 100 0 

Nb pixels 8 748 5 152 61 895 133 338 21 609 91 867 6 046 171 544 500 199 

EOi 8,9 37,0 99,7 97,4 16,1 96,6 29,2 100 

Erreur 

d’excédent 

91,1 63,0 0,3 2,6 83,9 3,4 70,8 0,0 

1.2 Parcelles test 

Autre 

Végétation 

Bitume 

Bois 

Champs 


prairies 

Sols 

nus 

Terres 


déficit 

Autre 

végétation 

52 0 8 1 0 0 0 0 61 85 15 

Bitume 2 682 1 0 1 4 5 0 695 98,1 2 

Bois 141 163 41 300 21 0 0 679 0 42 304 97,6 2 

Champs 

cultivés, 

4 818 1 009 174 66 442 18 39 770 506 0 112 737 58,9 41 

prairies 

Sols nus 0 12 0 0 4 910 127 0 0 5 049 97,2 3 

Terres 

Arables 

534 499 2 7 237 4 851 63 418 686 0 77 227 82,1 18 

Vergers 256 185 46 0 3 0 1 551 0 2 041 76,0 24 

Fond 0 0 0 0 0 0 0 94 828 94 828 100 0 

Nb pixels 5 803 2 550 41 531 73 701 9 783 103 319 3 427 94 828 334 942 

EOi 0,9 26,7 99,4 90,2 50,2 61,4 45,3 100 

Erreur 

d’excédent 

99,1 73,3 0,6 9,8 49,8 38,6 54,7 0,0 

167


IGN 

2. Classification 1,12,31,42,48 


Autre 

Végétation 

Bitume 

Bois 

Champs 


prairies 

Sols 

nus 

Terres 


pixels 

ECi 

Erreur de 

déficit 

Autre 

végétation 

691 1 70 8 1 6 24 0 801 86 14 

Bitume 2 1880 2 4 2 11 27 0 1 928 97,5 2 

Bois 224 83 62005 136 0 8 377 0 62 833 98,7 1 

Champs 

cultivés, 

3400 316 1227 131818 29 2518 2906 0 142 214 92,7 7 

prairies 

Sols nus 0 86 0 0 3565 133 68 0 3 852 92,5 7 

Terres 

Arables 

342 825 39 381 2639 105773 5201 0 115 200 91,8 8 

Vergers 11 7 91 20 0 4 1694 0 1 827 92,7 7 

Fond 0 0 0 0 0 0 0 171544 171 544 100 0 

Nb pixels 4 670 3 198 63 434 132 367 6 236 108 453 10 297 171 544 500 199 

EOi 14,8 58,8 97,7 99,6 57,2 97,5 16,5 100 

Erreur 

d’excédent 

85,2 41,2 2,3 0,4 42,8 2,5 83,5 0,0 


Autre 

Végétation 

Bitume 

Bois 

Champs 


prairies 

Sols 

nus 

Terres 


déficit 

Autre 

végétation 

0 0 0 15 0 1 45 0 61 0 100 

Bitume 0 672 4 0 6 7 6 0 695 96,7 3 

Bois 58 30 41592 447 0 9 168 0 42 304 98,3 2 

Champs 

cultivés, 

1908 127 4198 57752 8 46178 2566 0 112 737 51,2 49 

prairies 

Sols nus 0 4 0 0 5044 1 0 0 5 049 99,9 0 

Terres 

Arables 

231 173 158 5537 538 69903 687 0 77 227 90,5 9 

Vergers 4 80 483 33 11 106 1324 0 2 041 64,9 35 

Fond 0 0 0 0 0 0 0 94828 94 828 100 0 

Nb pixels 2 201 1 086 46 435 63 784 5 607 116 205 4 796 94 828 334 942 

EOi 0,0 61,9 89,6 90,5 90,0 60,2 27,6 100 

Erreur 

d’excédent 

100,0 38,1 10,4 9,5 10,0 39,8 72,4 0,0 

168


IGN 

3. Classification 1,12,31,47 


Autre 

Végétation 

Bitume 

Bois 

Champs 


prairies 

Sols 

nus 

Terres 


pixels 

ECi 

Erreur de 

déficit 

Autre 

végétation 

739 2 34 12 0 3 11 0 801 92 8 

Bitume 5 1856 1 7 20 4 35 0 1 928 96,3 4 

Bois 152 282 61139 360 0 20 880 0 62 833 97,3 3 

Champs 

cultivés, 

38076 946 4014 87928 326 8109 2815 0 142 214 61,8 38 

prairies 

Sols nus 0 209 0 2 3395 107 139 0 3 852 88,1 12 

Terres 

Arables 

1146 1094 0 18154 22066 65864 6876 0 115 200 57,2 43 

Vergers 20 4 109 16 2 8 1668 0 1 827 91,3 9 

Fond 0 0 0 0 0 0 0 171544 171 544 100 0 

Nb pixels 40 138 4 393 65 297 106 479 25 809 74 115 12 424 171 544 500 199 

EOi 1,8 42,2 93,6 82,6 13,2 88,9 13,4 100 

Erreur 

d’excédent 

98,2 57,8 6,4 17,4 86,8 11,1 86,6 0,0 


Autre 

Végétation 

Bitume 

Bois 

Champs 


prairies 

Sols 

nus 

Terres 


déficit 

Autre 

végétation 

30 0 13 14 0 2 2 0 61 49 51 

Bitume 3 673 0 1 7 6 5 0 695 96,8 3 

Bois 145 288 40213 999 0 13 646 0 42 304 95,1 5 

Champs 

cultivés, 

2711 4651 229 94045 23 10373 705 0 112 737 83,4 17 

prairies 

Sols nus 0 15 0 47 4813 141 33 0 5 049 95,3 5 

Terres 

Arables 

923 677 5 22008 2525 50221 868 0 77 227 65,0 35 

Vergers 22 31 417 4 3 3 1561 0 2 041 76,5 24 

Fond 0 0 0 0 0 0 0 94828 94 828 100 0 

Nb pixels 3 834 6 335 40 877 117 118 7 371 60 759 3 820 94 828 334 942 

EOi 0,8 10,6 98,4 80,3 65,3 82,7 40,9 100 

Erreur 

d’excédent 

99,2 89,4 1,6 19,7 34,7 17,3 59,1 0,0 

169


IGN 

Annexe 16 

Classification avec les nouveaux canaux 

Classification 6,9,10,15,29,31,35,37,46,54 

N 

0 500 m 

170


Annexe 17 

Matrices de confusion de la classification 4 canaux (bleu, ciea, PIR, rent_ent_c) 


1.1 Entraînement 


Champs 

cultivés 


Eau 

Haies 

Sable 

humide 

Terres 

arables 


Erreur 

de déficit 

Bâti 6 682 422 49 777 209 1 0 14 57 0 257 0 0 8 468 78,9 21,1 

Bitume 535 4 094 2 46 820 1 0 5 28 1 88 1 0 5 621 72,8 27,2 

Bois 545 301 82 641 14 651 6 8 21 8 270 0 5 633 15 0 107 096 77,2 22,8 

Broussailles 44 37 160 35 182 2 6 0 253 0 0 383 74 0 36 141 97,3 2,7 

Carrières 133 1 334 0 10 5 858 0 0 34 205 0 34 0 0 7 608 77,0 23,0 


530 

352 26 4 5 0 89 948 0 

0 1 795 1 656 360 0 94 676 95,0 5,0 


Eau 120 0 8 0 2 39 79 226 432 17 22 75 2 0 79 943 99,1 0,9 

Haies 13 0 392 45 0 50 0 463 0 16 216 128 0 1 323 35,0 65,0 

Sable humide 1 2 0 0 145 0 0 0 859 0 0 0 0 1 007 85,3 14,7 

Terres arables 1 043 3 0 4 0 1 265 0 5 210 0 90 647 244 2 830 0 101 246 89,5 10,5 

Vergers 24 210 32 2 982 0 1 408 64 37 0 6 15 953 10 0 20 726 77,0 23,0 

Vignes 1 0 150 42 0 66 0 610 0 16 189 14 588 0 15 662 93,1 6,9 

Fond 0 0 0 0 0 0 0 0 0 0 0 0 8 980 8 980 100,0 0,0 

Nb pixels 9 493 6 429 83 438 53 744 7 042 92 792 79 311 15 858 1 166 92 508 19 728 18 008 8 980 488 497 

EOi 70,4 63,7 99,0 65,5 83,2 96,9 99,9 2,9 73,7 98,0 80,9 81,0 100,0 

Erreur 

d'excédent 

29,6 36,3 1,0 34,5 16,8 3,1 0,1 97,1 26,3 2,0 19,1 19,0 0,0 

171


1.2 Test 


Champs 

cultivés 


Eau 

Haies 

Sable 

humide 

Terres 

arables 


Erreur 

de déficit 

Bâti 3591 265 27 263 500 0 0 4 13 0 41 0 0 4 704 76,3 23,7 

Bitume 170 4572 0 41 57 9 0 7 20 0 60 6 0 4 942 92,5 7,5 

Bois 254 75 73980 3781 2 2 0 1710 0 0 66 0 0 79 870 92,6 7,4 

Broussailles 156 89 4620 13964 0 9 0 473 0 0 3649 160 0 23 120 60,4 39,6 

Carrières 273 43 3 2 5975 0 0 23 244 0 9 0 0 6 572 90,9 9,1 



1 0 1 49 0 40975 0 

135 

0 20 3062 5607 0 49 850 82,2 17,8 

Eau 546 4 97 0 6 144 46981 143 0 24 24 3 0 47 972 97,9 2,1 

Haies 44 0 3 131 0 0 0 612 0 13 30 0 0 833 73,5 26,5 

Sable humide 2 555 4 2 11 0 0 2 0 0 2 0 0 578 0,0 100,0 

Terres arables 171 5 0 4 8 123 0 180 3 80257 698 833 0 82 282 97,5 2,5 

Vergers 585 11 1 445 4 8055 0 59 0 232 7259 895 0 17 546 41,4 58,6 

Vignes 4 0 0 3 0 2581 0 1323 0 15 4988 1860 0 10 774 17,3 82,7 

Fond 0 0 0 0 0 0 0 0 0 0 0 0 2657 2 657 100,0 0,0 

Nb pixels 5 797 5 619 78 736 18 685 6 563 51 898 46 981 4 671 280 80 561 19 888 9 364 2 657 331 700 

EOi 61,9 81,4 94,0 74,7 91,0 79,0 100,0 13,1 0,0 99,6 36,5 19,9 100,0 

Erreur 

86,9 

38,1 18,6 6,0 25,3 9,0 21,0 0,0 

d'excédent 

100,0 0,4 63,5 80,1 0,0 

172



2.1 Entraînement 


Champs 

cultivés 


Eau 

Haies 

Sable 

humide 

Terres 

arables 


Erreur 

de déficit 

Bâti 5688 586 794 36 140 26 0 94 151 75 491 22 2 8 105 70,2 29,8 

Bitume 169 3764 16 19 978 32 0 67 186 11 23 1 0 5 266 71,5 28,5 

Bois 336 71 90688 5878 0 128 4 3353 49 161 2086 151 0 102 905 88,1 11,9 

Broussailles 4 8 707 32207 0 159 0 623 0 26 902 47 0 34 683 92,9 7,1 

Carrières 136 627 10 3 6105 41 0 19 242 4 90 0 0 7 277 83,9 16,1 



31 3 0 17 2 85475 0 

993 

0 753 3869 157 0 91 300 93,6 6,4 

Eau 61 2 5 0 26 159 76673 48 58 1 28 0 20 77 081 99,5 0,5 

Haies 24 0 22 49 0 31 0 809 0 3 288 10 0 1 236 65,5 34,5 

Sable humide 0 16 2 0 4 0 0 0 964 0 0 0 0 986 97,8 2,2 


Vergers 6 14 2263 1393 0 1446 2 673 1 35 14102 65 0 20 000 70,5 29,5 

Vignes 82 0 93 67 0 29 0 197 0 152 348 14104 0 15 072 93,6 6,4 

0 

Fond 0 0 0 0 0 0 0 

0 0 0 0 1134 11 343 100,0 0,0 

3 

7 099 

11 

Nb pixels 9 650 5 667 94 623 39 682 7 384 101 194 76 679 

1 658 80 110 22 344 15 329 

394 

EOi 58,9 66,4 95,8 81,2 82,7 84,5 100,0 11,4 58,1 98,5 63,1 92,0 100,0 

Erreur 

88,6 

41,1 33,6 4,2 18,8 17,3 15,5 0,0 

41,9 1,5 36,9 8,0 0,0 

d'excédent 

472 813 

173


2.2 Test 


Champs 

cultivés 


Eau 

Haies 

Sable 

humide 

Terres 

arables 


Erreur 

de déficit 

Bâti 3209 624 258 187 51 9 0 12 76 16 51 22 1 4 516 71,1 28,9 

Bitume 108 4123 11 37 145 15 0 78 143 8 102 1 0 4 771 86,4 13,6 

Bois 280 0 74739 104 0 23 0 1010 0 45 247 11 0 76 459 97,8 2,2 

Broussailles 6 0 486 17676 0 173 0 2112 0 11 1735 32 0 22 231 79,5 20,5 

Carrières 247 1670 12 3 4022 48 0 20 195 4 51 1 0 6 273 64,1 35,9 



7 0 1 68 0 38745 0 

238 

0 6 6992 1826 52 47 935 80,8 19,2 

Eau 439 1 28 0 10 190 45085 252 83 0 60 0 21 46 169 97,7 2,3 

Haies 109 0 151 1 0 1 0 206 0 10 336 35 0 849 24,3 75,7 

Sable humide 1 3 0 4 538 3 0 9 2 1 1 0 0 562 0,4 99,6 


Vergers 0 5 13 33 0 4399 0 767 2 50 11558 22 0 16 849 68,6 31,4 

Vignes 1 2 12 19 0 1527 0 28 0 25 6244 2474 0 10 332 23,9 76,1 

Fond 0 0 0 0 0 0 0 0 0 0 0 0 5924 5 924 100,0 0,0 

Nb pixels 5 999 6 651 75 717 18 178 4 771 45 200 45 085 6 439 502 72 215 28 265 6 915 5 998 321 935 

EOi 53,5 62,0 98,7 97,2 84,3 85,7 100,0 3,2 0,4 99,8 40,9 35,8 100,0 

Erreur 

96,8 

46,5 38,0 1,3 2,8 15,7 14,3 0,0 

d'excédent 

99,6 0,2 59,1 64,2 0,0 

174


Indices Kappa et précision globale 




Indice Kappa 87,1 82,2 87 84,4 


classe fond 

88,9 85.1 88,7 86,7 

175



Glossaire 

Aérotriangulation 

Transformation géométrique permettant de retrouver les positions et les 

orientations exactes des clichés à l’instant de la prise de vue. 

Balance des blancs 

La balance des blancs est l'opération qui consiste à corriger la colorimétrie d'une 

photo en fonction du type d'éclairage, afin d'éviter toute dominante colorée. On 

recherche normalement la sensibilité des filtres R, V, B, PIR pour qu’un objet blanc 

apparaisse effectivement blanc. 

Classifieur 

En informatique, un classifieur est un Instrument de l'étape de reconnaissance qui 

affecte le caractère à une lasse de formes par l'identification de certaines 

caractéristiques. 

Distorsion de l’objectif 

La distorsion est une déformation de l’image, liée à la position du diaphragme par 

rapport à la lentille de l’appareil photographique. 

Forêts ripicoles 

Forêts humides, situées en bordure de rivière 

Hot Spot 

Le hot spot, ou ghost image, correspond au maximum de réflectance ; configuration 

dos au soleil [GIR, 99]. 

Luminance 

Grandeur radiométrique qui, en un point d'une surface et dans une direction 

donnée, s'exprime par le quotient de l'intensité énergétique d'un élément de cette 

surface par l'aire de la projection orthogonale de cet élément sur un plan 

perpendiculaire à la direction donnée. L'unité de mesure utilisée pour rendre 

176



compte de la luminance énergétique est le watt par stéradian par mètre carré dont 

le symbole est W/(sr.m²). 

Recouvrement inter bande 

Le recouvrement est la proportion de la surface commune entre un cliché et son 

voisin, sur la surface totale du cliché. 

Le recouvrement inter bande est un recouvrement entre deux images successives 

d’une même bande. 

Recouvrement intra bande 

Le recouvrement intra bande est un recouvrement entre deux images de deux 

bandes successives. 

Réflectance 

La réflectance est le rapport de l’énergie réfléchie par un objet dans une longueur 

d’onde à l’énergie reçue du soleil par cet objet et pour la même bande de longueur 

d’onde [GIR, 99]. 

Surface agricole utile (SAU) 

La SAU contient à la fois : 

- les terres labourables y compris les jachères, 

- les surfaces consacrées aux cultures maraîchères et florales, 

- les prairies permanentes, 

- les surfaces en pépinières, 

- les plantations et cultures pérennes comme les vignes et les vergers 

Elle ne comprend donc ni les bois et les forêts, ni les broussailles, ni les haies. 

(Source : Ministère de l’agriculture, http://www.agriculture.gouv.fr/, 2004). 

177



Bibliographie 

Ouvrages 

[BAS, 00] 

[CHA, 04] 

Basly Ludovic, 2000, Télédétection pour la qualité de l'air en milieu 

urbain, thèse de doctorat, CENERG, école des Mines de Paris, Université 

de Nice, Sofia Antipolis, 184 p. 

Chandelier Laure et Martinoty Gilles, 2004, Prototype d’outils de 

traitement des radiométries, Compte rendu, Direction de Production, 

IGN, 8p. 

[COQ, 95] Cocquerez Jean Pierre et Philipp Sylvie, 1995, Analyse d’images : 

filtrage et segmentation, MASSON, 457 p. 

[FRE, 02] 

[GIR, 99] 

[JAK, 02] 

[LAC, 04] 

[LAN, 01] 

[SOU, 03] 

[WAS, 01] 

Frédéric Benoît, 2002, Etude de restituteurs numériques appliquée aux 

besoins d’IGN France International, Rapport de stage Ecole Supérieure 

des Géomètres Topographes, 85 p. 

Girard M. C. et Girard C. M., 1999, Traitement des données de 

télédétection, DUNOD, 529 p. 

Jakomulska A. M. & STAWIECKA M. N., 2002, Integrating spectral and 

textural information for land cover mapping, pp. 347-354, in Observing 

our environment from space – New solutions for a new Millenium, Ed. 

Gérard Bégni-CNES, 435 p. 

Lachérade S, Miesch C., Boldo D., Briottet X., Le Men H., Valorge C., 

2004, Description d’une campagne de validation pour la caractérisation 

des milieux urbains, Rapport IGN interne, 12 p. 

Landgrebe David A. & Biehl Larry, 2001, An Introduction tu MultiSpec, 

170 p. 

http://dynamo.ecn.purdue.edu/~biehl/MultiSpec/Intro5_01.pdf 

Souchon Jean-Philippe et Thom Christian, 2003, Un canal proche 

infrarouge pour la caméra numérique de l’IGN, Bulletin d’information, de 

l’IGN n°74, 2003/3, pp 53-62. 

Wassenar Tom, 2001, Reconnaissance des états de surfaces du sol en 

milieu viticole méditerranéen par télédétection à très haute résolution 

spatiale, thèse de doctorat en science du sol, ENSAM, 228 p. 

[YUM, 95] Yum-Oh Suk, 1995, Utilisation de l’information de phase en 

segmentation et classification des images texturées, thèse de doctorat, 

Université de La Rochelle, 161 p. 

178



Cartes 

• Troyes 

Carte IGN, série bleue, n° 2817O, Troyes, 1/25 000 ème , 1954-1994. 

Carte IGN, série bleue, n° 2818O, Bouilly, 1/25 000 ème , 1954-1994. 

• Toulouse 

Carte IGN, série bleue, n° 2044E, Muret, 1/25 000 ème , 1993-1999. 

Carte IGN, série bleue, n° 2044O, Saint-Lys, 1/25 000 ème , 1993-1999. 

Carte IGN, série bleue, n° 2045E, Lézat sur Lèze, 1/25 000 ème , 1993-1999. 

Carte IGN, série bleue, n° 2045O, Cazères, 1/25 000 ème , 1993-1999. 

Sites, téléchargement de logiciels 

• IGN 

www.ign.fr 

www.ensg.ign.fr 

• MultiSpec 

http://dynamo.ecn.purdue.edu/~biehl/MultiSpec/ (téléchargement du logiciel) 

David Landgrebe, 1997, On Information Extraction Principles for Hyperspectral Data, 

34 p. 

http://dynamo.ecn.purdue.edu/~landgreb/whitepaper.pdf 

David Landgrebe, 1998, Multispectral Data Analysis : A Signal Theory Perspective, 

46 p. 

http://dynamo.ecn.purdue.edu/~biehl/MultiSpec/Signal_Theory.pdf 

• Autres 

http://www.culture.gouv.fr/culture/cnp/fr/ 

Cellule photogrammétrique du Centre National de la Préhistoire 

http://www.agriculture.gouv.fr/ 

http://www.unige.ch/ses/geo/ 

Cours de géographie (télédétection) de l’université de Genève (classifications 

dirigées) 

http://www.impots.gouv.fr/portal/dgi/ 

Définition de cadastre 

http://www.cg-aube.com/ 

Conseil général de l’Aube 

http://www.qc.ec.gc.ca/faune/faune/html/contenu.html 

179



Service canadien de la faune 

http://lacan.grignon.inra.fr/ressources/teledetection/vademecum.htm 

Cours en ligne de télédétection de l’INRA 

180

Classification grossiÃ¨re par radiomÃ©trie et texture - UniversitÃ© Jean ...

Create successful ePaper yourself

Delete template?

Save as template?